基于深度学习的图像小目标检测方法研究与实现

发布时间：2024-03-03 18:28

　　近年来,目标检测作为计算机视觉领域的一个重点课题,在理论和应用方面都受到了广泛关注。小目标广泛存在于各个场景中,因此小目标检测的研究在图像目标定位和识别中具有重大的现实意义和应用价值。小目标分辨率较低、信息量较少、在图像中所占区域较小以及目标宽高比多变,导致算法提取到的有效特征较少、难以精确定位等问题。现有的目标检测算法效果不理想,容易造成小目标的漏检和误检。本课题提出了基于YOLOv5改进的小目标检测模型AU-DC-YOLOv5,可以有效地解决上述问题,通过调整和优化小目标的语义信息,大大提高了小目标检测的准确度。本文的研究重点放在两个方面:(1)针对传统卷积对特征提取不充分的问题,本文基于可变形卷积和交叉卷积优化YOLOv5特征提取结构,构建DC-YOLOv5模型。首先,引入可变形卷积替换浅层网络中的Conv模块,自动调整感受野,从而更好地对小目标聚焦。其次,通过引入交叉卷积,将浅层网络的C3模块优化为C3Cross模块,通过并行地利用垂直和水平梯度信息来强调边缘信息,从而获得更清晰的边缘特征,同时,通过不同特征图之间的跨图卷积,保留更多相似的特征信息。实验结果表明,该方法提取到了...

【文章页数】：64 页

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 目标检测研究现状
        1.2.2 小目标检测研究现状
    1.3 主要研究内容
    1.4 论文的组织结构
第二章 相关技术概述
    2.1 卷积神经网络
    2.2 基于卷积网络的目标检测方法
        2.2.1 基于一阶段的目标检测方法
        2.2.2 基于两阶段的目标检测方法
    2.3 数据集及评价指标
        2.3.1 数据集介绍
        2.3.2 评价指标
    2.4 本章小结
第三章 基于 DCN 和 CrossConv 优化 YOLOv5 特征提取结构
    3.1 问题描述与分析
    3.2 YOLOv5 算法原理简介
    3.3 基于 DCN 和 CrossConv 优化特征提取结构
        3.3.1 使用DCN优化浅层特征提取网络
        3.3.2 基于 CrossConv 改进 C3
        3.3.3 模型整体架构
    3.4 实验结果与分析
        3.4.1 实验环境与超参数设置
        3.4.2 数据预处理
        3.4.3 分类精度评估
        3.4.4 消融实验
    3.5 本章小结
第四章 基于特征增强和注意力机制优化YOLOv5 模型
    4.1 问题描述与分析
    4.2 基于膨胀卷积的上采样特征增强
        4.2.1 基于膨胀卷积的上采样特征增强模块
        4.2.2 基于上采样特征增强模块优化YOLOv5 模型的构建
    4.3 基于注意力机制的特征融合方式优化
        4.3.1 CBAM
        4.3.2 ECA
        4.3.3 改进的ECA模块
        4.3.4 ECA-SAM 注意力机制
        4.3.5 基于 ECA-SAM 注意力模块优化 YOLOv5 模型
    4.4 AU-DC-YOLOv5 模型整体架构
    4.5 优化损失函数
        4.5.1 IoU度量
        4.5.2 NWD度量
        4.5.3 基于 IoU 和 NWD 度量的损失函数
    4.6 实验结果与分析
        4.6.1 参数选择
        4.6.2 消融实验
    4.7 本章小结
第五章 总结与展望
    5.1 本文工作总结
    5.2 研究展望
参考文献



本文编号：3918200