基于YOLOx残差块融合CoA模块的改进检测网络

YOLOx-Darknet53是以YOLOv3为基准增加各种技巧(trick)升级改进的检测网络,但其仍然是以Darknet53为特征提取骨干网络(backbone),因此网络的特征提取能力仍有欠缺.本文依据CoTNet中的注意力机制改进得到CoA (contextual attention)模块,并将其替代YOLOx骨干网络残差块里的3×3卷积,得到融合注意力后的新残差块,加强了骨干网络的特征提取能力,并在Pascal VOC2007数据集上进行对比实验,融合CoA模块的网络比原网络的平均精度均值AP@[.5:.95]高1.4, AP@0.5高1.4;在改进骨干网络后的YOLOx检测头前加入无参3D注意力模块,得到最终改进的检测网络,进行上述对比实验,结果表明比原网络的AP@[.5:.95]高1.6,AP@0.5高1.5.因此,改进后的网络比原网络检测更加精准,在工业应用中能达到更好的检测效果.     

多类场景下无人机航拍视频烟雾检测算法

在无人机航拍视频烟雾检测领域中,由于不同检测场景差异大,导致现有烟雾检测算法经常出现检测精度低、速度慢等问题。为了解决以上问题,建立了一个基于无人机视角的多类场景下的烟雾数据集（UAV smoke dataset,USD）,并提出了一种改进YOLOx的多类场景下无人机视频烟雾检测算法。首先,在YOLOx网络模型中引入改进的注意力机制,分别改进通道特征和空间特征的提取过程,提取更加具有表征能力的烟雾特征;然后,提出一种双向特征融合模块,增强多尺度特征融合模块对小目标烟雾特征的融合能力;最后,引入Focal-EIOU损失函数,解决训练过程中出现正负样本不平衡,以及预测框和真实框不相交时无法反映两个框的距离远近和重合度大小等问题。实验结果表明,所提算法在应用于多类场景下无人机视频烟雾检测任务时具有较好的鲁棒性,对比多个经典烟雾检测算法,本文算法在不同数据集上的烟雾检测准确率均有不同的提升,比如对比原有的YOLOx-s模型,准确率提升2.7%,召回率提升3%,速度达到73.6帧/s。