《基于改进YOLOv5的无人机图像检测算法》论文阅读

原文链接：UAV Recognition and Tracking Method Based on YOLOv5 | IEEE Conference Publication | IEEE Xplore

《基于改进YOLOv5的无人机图像检测算法》论文阅读

       基于深度学习的目标检测算法通常对传统目标检测效果较好，但对小目标的检测精度较低。针对该问题，该文通过对无人机采集图像的研究，提出一种改进的YOLOv5小目标检测算法。

       首先，针对采样频率高、图像感受野大的问题，增加上采样，进一步扩展特征图。然后，针对浅层特征语义信息不足的问题，采用特征融合方法，增加一个160*160输出检测层。最后，由于上述步骤会增加计算量，因此增加了Mobilenet-V2轻量级网络以提高检测速度。VisDrone无人机图像数据集用于训练和验证，自建数据集用于测试。实验结果表明，改进的YOLOv5算法能够有效地检测和识别小目标。与传统的检测方法相比，小物体的检测精度和速度也有所提高。

       无人机越来越多地应用于日常生活中，如灾难救援、全景摄影、环保检测、交通监控、电力巡检等。由于无人机技术的快速发展和其安全性能的提高，越来越多的人使用无人机进行目标采集和检测。为了提高无人机图像检测对小目标和密集目标的效率和准确性，需要解决无人机图像高视角和宽视角的影响。

       在目标检测领域，深度学习具有更好的特征表达能力，降低了对手工设计特征的要求，可以大大提高精度。现有的基于深度学习的目标检测算法研究大多适用于传统目标。如果无人机图像被基于深度学习的目标检测算法直接检测，检测精度会更低。基于深度学习的目标检测算法根据检测步骤可分为两类：一阶段算法和两阶段算法。R-CNN[1]、Faster R-CNN[2] 和 Faster R-CNN[3] 是两阶段检测算法，SSD[4] 和 YOLO 系列 [5]–[8] 是单阶段检测算法。与两阶段检测算法的准确率相比，一级检测算法的准确率略低，但识别速度快了数百倍。在单级检测算法中，YOLOv5 比 SSD 快 2-3 倍，因此 YOLOv5 在研究人员中非常受欢迎，本文也将改进 YOLOv5。

       本文研究了无人机图像中的小目标检测算法，在YOLOv5中增加了采样、特征融合和输出检测层，优化目标检测的网络结构，致力于解决无人机图像中小目标、背景和物体复杂等问题、遮挡等问题，从而提高了小物体的检测精度。由于增加操作层增加计算量，降低了网络检测率，因此增加了Mobilenet-V2轻量级网络以提高检测率。本文的结果对无人机影像的自动化分析具有积极的影响，本研究也可以拓展无人机影像的实际应用范围。