基于改进YOLOv5的轻量化航空目标检测方法

最新推荐文章于 2024-04-07 01:21:39 发布
最新推荐文章于 2024-04-07 01:21:39 发布
阅读量642 收藏 1
点赞数
分类专栏： 系统工程技术开发与应用专栏 文章标签： 目标检测 计算机视觉 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_70923796/article/details/126081534
版权
本文提出了一种基于改进YOLOv5的轻量化航空目标检测方法，适用于移动端设备和边缘计算。通过结合MobileNetv3与通道注意力增强结构MNtECA，减少卷积结构参数并应用通道剪枝，实现模型压缩和加速。实验证明，该轻量级模型在保持较高精度的同时，大幅降低了参数和计算量，实现了移动端的实时检测。
摘要由CSDN通过智能技术生成

摘要: 为解决硬件平台资源受限条件下的实时航空目标检测需求，在基于改进YOLOv5的基础上，提出了一种针对移动端设备/边缘计算的轻量化航空目标检测方法。首先以MobileNetv3为基础搭建特征提取网络，设计通道注意力增强结构MNtECA (MobileNetv3 with Efficient Channel Attention)提高特征提取能力；其次在深度可分离卷积层增加1×1的卷积，在减少卷积结构参数的同时提高网络的拟合能力；最后对检测网络进行迭代通道剪枝实现模型压缩

了解本专栏 订阅专栏 解锁全文 超级会员免费看
米朵儿技术屋
关注
专栏目录
订阅专栏
YOLO-TLA:基于YOLOv5的高效轻量级小目标检测模型
sybh的博客
05-22 588
近年来，深度学习的快速发展使得计算机视觉的各 个方面都取得了重大突破，尤其是在目标检测方面。计 算机视觉的这一关键方面旨在识别和分类图像中的目标 (例如行人、动物、车辆)，作为目标跟踪和目标分割等任 务的基础元素[1]、[2]。其工业应用广泛，从缺陷检测到 自动驾驶[3]-[5]。此外，电子控制系统和飞机设计的演变 凸显了基于无人机(UAV)的目标检测的重要性，在农业、 灾难等领域已经越来越普遍管理，航空摄影。无人机要么无线电控制，要么在预先 编程的路线上操作。
基于改进YOLO轻量化网络的目标检测方法
01-26
YOLOv3作为开源的目标检测网络与同时期目标检测网络相比,在速度和精度上有着明显的优势。由于YOLOv3采用了新型的全卷积网络(FCN)、特征金字塔网络(FPN)和残差网络(ResNet),因此对硬件配置要求较高,导致开发成本过高,不利于工业上的应用普及。在嵌入式平台上普遍使用YOLOv3tiny进行检测,虽然计算量较小,但是检测效果远不如YOLOv3。为了解决在嵌入式平台上YOLOv3检测速度低的问题,提出一种基于YOLOv3的简化版网络,与YOLOv3不同的是,在保留了对特征提取有较大帮助的FCN、FPN以及ResNet的同时,尽可能减少每层的参数量和残差层数,并尝试加入了密集连接网络空间金字塔池化。实验结果表明,该网络的参数量和检测速度大幅优于YOLOv3,且平均精度比YOLOv3tiny在PASCAL VOC2007、2012数据集上有明显的提升。
目标检测算法——YOLOv5/YOLOv7改进之结合​PP-LCNet（轻量级CPU网络）
加勒比海带66——【YOLO魔法搭配&论文投稿咨询】
11-27 9030
​PP-LCNet——轻量级且超强悍的CPU级骨干网络！！PP-LCNet 在同样精度的情况下，速度远超当前所有的骨架网络！它应用在比如目标检测、语义分割等任务算法上，也可以使原本的网络有大幅度的性能提升。
飞机目标检测
whaosoft143ai的博客
08-20 559
我们观察到，这一假设是正确的，因为与默认的超参数（0.027）相比，使用最优超参数集的训练在epoch 100处实现了更好的性能我们基于验证mAP50-95选择最佳超参数，批量为16，随机梯度下降（SGD），动量为0.937，权重衰减为0.01，分类损失权重λcls=1，box损失权重λbox=5.5，分布焦点损失权重λdfl=2.5。它们体积小，机动性强，噪音低。然后，我们在更能代表真实环境的数据集（即更高的遮挡率、较小的空间大小、旋转等）上使用这些学习到的参数进行迁移学习，以生成我们的精细模型。
记录：YOLOv5模型剪枝轻量化
qq_44224801的博客
07-01 3247
模型
【ICCVW2019】How to Fully Exploit The Abilities of Aerial Image Detectors【航空目标检测】
Gorgeous_wxd
06-14 425
训练一个叫做DREN的网络，产生,将和原图一起做检测，然后进行拼图NMS，得到最终的输出。 针对问题，采用IoU平衡采用方法以及回归分支使用Balanced L1损失。 一般现有的切图方法都是两阶段的，第二个阶段几乎一样，对第一个阶段得到的粗粒度信息进行更细致的检测，然后与原图合并结果。 第一个阶段，各有不同，但主要目的是产生一个粗粒度的检测结果，用第二个阶段进行精修检测。...
基于改进YOLOv5的轻量化航空目标检测方法.docx
11-03
"基于改进YOLOv5的轻量化航空目标检测方法" 本文主要研究基于改进YOLOv5的轻量化航空目标检测方法，旨在解决航空目标检测中模型参数和计算量的问题。通过对基于深度学习的目标检测方法的分析，发现了传统人工设计的...
目标检测YOLO实战应用案例100讲-基于YOLOv5的航拍图像旋转目标检测
qq_36130719的博客
10-22 534
无人机具有成本低、操作简单、体积小等优点，因此催生了多元化的应用场 景，例如利用无人机对人类无法进入的区域（火山口、海洋环境等）进行定期监 测；利用无人机对建筑工地、交通道路等高危场所进行有效的管理和监督；此外 无人机还可被用于地形调查，在国防安全和军事侦测等方面也有着极其重要的作 用。在这种广泛的应用基础上，无人机与智能化技术的结合也越来越紧密，例如 无人机可联动地面系统自动对建筑工地、交通道路的违规行为进行预警；在军事 活动中实现自主探测、追踪等等，因此相关技术的研究工作具有广泛的应用需求 和市场前景。
目标检测YOLO实战应用案例100讲-基于深度学习的航拍图像YOLOv5目标检测(论文篇)
qq_36130719的博客
05-13 1283
本文使用的数据集为无人机航拍图像的公开数据集Visdrone[49]和谷歌地球UCAS_AOD数据集[50]。其中数据集Visdrone中，包含10209张静态图像总计10类常见目标。UCAS_AOD数据集中有1000张飞机航拍图片与510张小汽车图片，共计7482个飞机图片和7114个小汽车图片。本文使用数据集Visdrone中的图像 部分和UCAS_AOD中飞机和小汽车的图像。数据集部分图片如图2-2。在实验过程中发现，Visdrone数据集中，部分目标种类特征较为相似，即使是。
每周一篇 文献阅读—paper7 （航空图像的目标检测）
XX|XX的博客
11-18 686
Clustered Object Detection in Aerial Images译文主要方法介绍 文章链接：https://arxiv.org/pdf/1904.08008.pdf 译文 文章译文参考： https://www.sohu.com/a/344534763_651893?spm=smpc.author.fd-d.2.1569933566105xEzTnmd 主要方法介绍 问题：目...
【论文精读】CVPR2021 - ReDet：一种用于航空目标检测的旋转等变检测器
qq_50757624的博客
04-01 1108
最近，航空图像中的目标检测在计算机视觉中引起了广泛的关注。与自然图像中的物体不同，空中物体通常以任意方向分布。因此，检测器需要更多的参数来编码方向信息，这通常是高度冗余和低效的。此外，由于普通CNN没有明确地对方向变化进行建模，因此需要大量的旋转增强数据来训练准确的目标检测器。在本文中，我们提出了一种旋转等变检测器（ReDet）来解决这些问题，它明确编码了旋转等变性和旋转不变性。更准确地说，我们将旋转等变网络纳入检测器以提取旋转等变特征，这可以准确预测方向并导致模型尺寸的大幅减小。基于旋转等变特征，我们还。
基于模板匹配方法的机场飞机起飞-目标检测
cnjs1994的博客
08-08 1569
计算机视觉基础知识与python编程讲解，实现基于opencv python的机场起飞飞机的模板匹配
计算机视觉：复杂背景下的航空识别目标检测系统 人工智能
毕设帮助,疑难解答,欢迎打扰!
12-24 380
毕业设计-基于深度学习的轻量化航空目标检测系统的毕业设计项目。该系统利用最新的深度学习技术，结合轻量化的模型架构，实现了在航空图像中自动识别和定位目标的功能。通过采用预训练的SSD-Lite模型和航空图像数据的训练，该系统能够高效地检测出飞机、直升机、无人机等航空目标，并提供准确的边界框和置信度分数。系统的设计和实现过程，并展示了实验结果和性能评估。该轻量化航空目标检测系统的开发为航空领域的监控、安全等应用提供了一种高效、精确的解决方案。为计算机毕业设计提供了一个创新的方向，为毕业生提供了一个研究课题。
【论文速递】CVPR2022-弱监督旋转不变的航空目标检测网络
02-03 387
【论文速递】CVPR2022-弱监督旋转不变的航空目标检测网络【论文原文】：Weakly Supervised Rotation-Invariant Aerial Object Detection Network
轻量级网络整理及其在Yolov5上的实现
weixin_50862344的博客
08-03 1090
使用一些轻量级网络（pp-lcnet，mobilenet，ghostnet等）backbone优化yolov5
YOLOv5改进（一）--轻量化YOLOv5s模型
最新发布
qq_44231797的博客
04-07 5107
轻量化YOLOv5s模型
YOLOv5轻量化骨干设计，通过结合GHostNetv2结构实现计算量降低
qq_44224801的博客
05-21 2641
GhostNetv2是一种针对移动设备和边缘设备的优化神经网络，其设计继承了GhostNetv1的高效节省计算资源的特性，并在其基础上引入了一种新的注意力模块——DFC注意力模块，以增强模型对长距离空间信息的处理能力。DFC注意力模块是一种基于解耦全连接层的注意力机制，设计满足以下三个条件：对空间长距离信息的建模能力强；部署高效，对硬件友好且计算高效；概念简单，便于保证注意力模块的泛化能力。对于端侧设备这类计算资源受限的环境，以上设计目标帮助模型在提升性能的同时，不牺牲实时性和部署效率。
YOLOv5引入轻量化（SOTA）：EMO
weixin_70423469的博客
07-26 1261
YOLOv5引入轻量化（SOTA）：EMO
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

米朵儿技术屋

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值