关键词:
深度学习
目标检测
红外小目标检测
注意力机制
YOLOv5
摘要:
随着图像中显著目标检测准确率的提高,如何提升小目标的检测精度逐渐成为人们关注的重点。现有的目标检测方法主要研究以可见光图像作为输入的通用目标检测问题,小目标检测领域的大部分方法主要针对可见光图像,面向红外图像的较少。红外小目标不含颜色信息,与常规目标尺度差别大,更加依赖上下文信息。针对这些问题,提出一种基于YOLOv5的红外小目标检测模型。在标准的YOLOv5模型基础上,为了有效结合目标周围的局部信息和整体特征中的全局信息,同时适应红外小目标的细微形态变化,提出了动态上下文信息提取模块,引入通道-细节注意力模块汇聚红外小目标的通道信息和细节信息,提高回归精度。考虑到网络卷积过程中细节特征丢失的问题,在保证模型特征尺度相对应的情况下,上采样新的特征尺度与浅层特征融合,以捕捉更多红外小目标细节信息,避免特征混叠。为了证明方法的有效性,在公开的红外数据集ITTD、IRSTD-1k和NUAA-SIRST上进行验证。实验结果表明:在ITTD数据集中所提方法的mAP值超过对比方法5.1%。对比YOLOv5s基准模型,mAP值提高了3.7%,在IRSTD-1k和NUAA-SIRST数据集中也展示出良好的检测效果,并对自身模型进行了消融实验。本文所提出的红外小目标检测模型对复杂场景下的红外小目标鲁棒性很好,有效地提高了小目标检测的精度,降低了小目标的漏检率。