网站的域名解析怎么做,个人网页生成,营销网站建设前期准备,wordpress主题安装不此前出了目标检测算法改进专栏#xff0c;但是对于应用于什么场景#xff0c;需要什么改进方法对应与自己的应用场景有效果#xff0c;并且多少改进点能发什么水平的文章#xff0c;为解决大家的困惑#xff0c;此系列文章旨在给大家解读发表高水平学术期刊中的 SCI论文但是对于应用于什么场景需要什么改进方法对应与自己的应用场景有效果并且多少改进点能发什么水平的文章为解决大家的困惑此系列文章旨在给大家解读发表高水平学术期刊中的 SCI论文并对相应的SCI期刊进行介绍帮助大家解答疑惑助力科研论文投稿。解读的系列文章本人会进行 创新点代码复现有需要的朋友可关注私信我获取。 一、摘要
无人机拍摄图像中的目标检测是近年来的一项热门任务。作为无人机总是在不同的高度导航物体的比例变化很大这给优化带来了负担的模型。此外高速和低空飞行会导致密集的运动模糊这带来了巨大的挑战。为了解决上述两个问题基于YOLOv5我们添加了一个额外的预测头来检测微小规模的物体并取代了基于CNN的预测头预测头与变压器预测头TPH构建TPH-YOLOv5模型。提出了TPH-YOLOv5以显著降低计算成本并改进检测TPH-YOLOv5的速度。在TPH-YOLOv5中跨层不对称变压器CA Trans是其被设计为在保持该预测头的知识的同时替换附加的预测头。通过使用稀疏局部注意力SLA模块在附加头部之间的不对称信息并且可以有效地捕捉其他头部丰富了其他头部的特征。在VisDrone中挑战2021TPH-YOLOv5获得第四名并取得与第一名相当的成绩模型AP 39.43%。基于TPH-YOLOv5和CA Trans模块TPH-YOLOv5可以进一步提高效率同时实现可比性和更好的结果。
二、网络模型及核心创新点 三、实验效果部分展示 五、实验结论
无人机捕获图像上的目标检测具有三个主要挑战尺寸变化高密度和大的对象覆盖范围。在YOLOv5的基础上我们添加了一些切割技术即变压器编码器块、CBAM和一些经验丰富的技巧 以提高无人机捕获场景中的检测性能。然后为了缓解在保持性能的同时我们设计了计算和推理时间成本一种新型跨层不对称变压器模块构建TPH-YOLOv5模型用稀疏取代视觉变换器中原有的多头自注意局部注意跨层不对称变压器模块可以丰富的特点小路在小路的帮助下。我们的TPH-YOLOv5在VisDrone中获得第四名挑战2021。在两个基准数据集上进行了广泛的实验表明我们的两个模型实现了新的SOTA结果并且TPH-YOLOv5可以显著降低计算和内存成本同时实现可比或更好的性能性能优于TPH-YOLOv5。
注论文原文出自TPH-YOLOv5: Boosting Object Detection on Drone-Captured Scenarios with Cross-Layer Asymmetric Transformer 本文仅用于学术分享如有侵权请联系后台作删文处理。 解读的系列文章本人已进行创新点代码复现有需要的朋友欢迎关注私信我获取❤ 。
