栏目文章

Select

1. 基于ATO-YOLO的小目标检测算法

苏佳, 秦一畅, 贾泽, 王静

计算机工程与应用 2024, 60 (6): 68-77. DOI: 10.3778/j.issn.1002-8331.2308-0385

摘要（188）

PDF（pc）（795KB）（200）

小目标检测在计算机视觉领域具有重要意义，但现有方法在应对小目标的尺度变化、目标密集和无规则排列等挑战时经常出现漏检和误检的问题。为解决这些问题，提出基于改进YOLOv5算法的ATO-YOLO。为提升检测模型的特征表达能力，提出一种结合注意力机制的自适应特征提取模块（adaptive feature extraction，AFE），通过动态调整权重分配突出关键目标的特征表示，提高目标检测任务在不同场景下的准确性和鲁棒性。设计一种三重特征融合机制（triple feature fusion，TFF），能够在不同尺度下充分利用多尺度信息，将多个尺度的特征图融合，以获取更全面的目标特征，提升对小目标的检测效果。引入一种输出重构模块（output reconstruction，ORS），通过去除大目标检测层并增加小目标检测层，实现精确定位和识别小目标，并且相对于原模型复杂度更低，检测速度更快。实验结果表明，ATO-YOLO算法在VisDrone数据集上的mAP@0.5达到了38.2%，较原YOLOv5提升了6.1个百分点，且FPS较改进前提升了4.4%，能够快速准确地对小目标进行检测。

参考文献 | 相关文章 | 多维度评价

Select

2. 基于YOLOv5的轻量级雾天目标检测方法

赖镜安, 陈紫强, 孙宗威, 裴庆祺

计算机工程与应用 2024, 60 (6): 78-88. DOI: 10.3778/j.issn.1002-8331.2308-0029

摘要（141）

PDF（pc）（1220KB）（162）

针对雾天场景下目标检测算法精度较低、模型复杂度较高，提出一种基于YOLOv5的轻量级雾天目标检测方法。采用感受野注意力模块(RFAblock)通过交互感受野特征信息，对感受野添加注意力机制，提高特征提取能力；采用轻量化网络Slimneck作为颈部结构，在保持精度的同时降低模型参数和复杂度；在损失函数中引入真实框与预测框之间的角度向量，提高训练速度和推理的准确性；采用PNMS(precise non-maximum suppression)改进候选框选择机制，降低车辆遮挡情况下的漏检率。在真实雾天数据集RTTS和合成雾天数据集Foggy Cityscapes上进行测试，实验结果表明，与YOLOv5l相比mAP50分别提高了4.9和3.5个百分点，模型参数量仅为YOLOv5l的54.6%。

参考文献 | 相关文章 | 多维度评价

Select

3. 改进YOLOv7的水下目标检测算法

梁秀满, 李然, 于海峰, 刘振东

计算机工程与应用 2024, 60 (6): 89-99. DOI: 10.3778/j.issn.1002-8331.2309-0072

摘要（103）

PDF（pc）（787KB）（110）

水下目标检测是海洋探测开发过程中一项具有挑战性的任务。针对现有的水下目标检测算法由于水下图像的低可见度和颜色失真等问题导致水下目标检测效果不佳的问题，提出了一种改进YOLOv7的水下目标检测算法，旨在提升水下目标检测性能。设计了一种多信息流融合注意力机制（spatial group-wise coordinated competitive attention， SGCA），解决卷积过程中由于图像全局上下文信息丢失而导致特征丢失的问题，提高了模型在图像模糊情况下的检测精度；并利用switchable atrous convolution（SAConv）模块替换ELAN结构中的3×3卷积模块，以增强骨干网络的特征提取能力。在预测部分采用Wise-IoU作为损失函数，Wise-IoU通过平衡不同质量图像上的模型训练结果，获得更准确的检测结果。采用基于暗通道先验（dark channel prior，DCP）和深度传输图的水下图像增强方法对水下数据集图像进行增强。实验结果表明，改进后的算法在自建的水下目标检测数据集上mAP取得了87.3%，与原始的YOLOv7算法相比较，mAP提高了3.4个百分点；在增强后的水下图像数据集上的mAP为87.1%，提升了2.1个百分点。因此，提出的策略在水下目标检测任务中具有优越的性能。

参考文献 | 相关文章 | 多维度评价

Select

4. 改进YOLOv8的航拍图像小目标检测算法

付锦燚, 张自嘉, 孙伟, 邹凯鑫

计算机工程与应用 2024, 60 (6): 100-109. DOI: 10.3778/j.issn.1002-8331.2311-0281

摘要（163）

PDF（pc）（771KB）（160）

针对在航拍图像检测任务中，物体和整体图像尺寸都比较小，尺度特征不一和细节信息不清晰，会造成漏检和误检等问题，提出了一种改进小目标检测算法CA-YOLOv8。设计了一种通道特征部分卷积模块CFPConv（channel feature partial convolution），基于此重新构造了C2f中的Bottleneck结构，命名为CFP_C2f，从而替换YOLOv8头部和颈部的部分C2f模块，增强有效通道特征权值，提升多尺度细节特征的获取能力。嵌入一种用以提升上下文聚合能力的模块CAM（context aggregated module），优化特征通道的响应，强化对深层特征的细节感知能力。添加NWD损失函数，将其与CIoU结合作为定位回归损失函数，降低位置偏差的敏感性。充分运用多重注意力机制的优势，把原有检测头替换为DyHead（dynamic head）。在VisDrone2019数据集的实验中，改进的算法较YOLOv8s原模型参数量降低了33.3%，检测精度mAP50值和mAP50：95分别提升了8.7和5.7个百分点，表现出良好的性能，验证了其有效性。

参考文献 | 相关文章 | 多维度评价

Select

5. 基于改进YOLOv8的交通监控车辆检测算法

周飞, 郭杜杜, 王洋, 王庆庆, 秦音, 杨卓敏, 贺海军

计算机工程与应用 2024, 60 (6): 110-120. DOI: 10.3778/j.issn.1002-8331.2310-0101

摘要（157）

PDF（pc）（817KB）（173）

针对目前复杂交通监控场景下车辆检测精度不足、检测速度慢的问题，提出一种基于YOLOv8模型的轻量级车辆检测算法。采用FasterNet替换YOLOv8的骨干特征提取网络，减少了冗余计算和内存访问，提高了模型的检测精度和推理速度；在Backbone和Neck部分添加SimAM注意力模块，在不增加原始网络参数的同时增强了目标车辆的重要特征，提高了模型的特征融合能力；针对密集车流下小尺寸车辆检测效果不佳的问题，添加小目标检测头，更好地捕获小尺寸车辆的特征和上下文信息；使用可自适应调整权重系数的Wise-IoU作为改进模型的损失函数，提升了边界框的回归性能和检测的鲁棒性。在UA-DETRAC数据集的实验结果表明，相较于原模型，改进方法在交通监控系统中能够达到较好的检测精度和速度，mAP和FPS分别提高了3.06个百分点和3.36%，有效改善了复杂交通场景下小目标车辆检测效果不佳的问题，并在精度和速度之间取得了很好的平衡。

参考文献 | 相关文章 | 多维度评价

Select

6. 改进YOLOv7-tiny的无人机目标检测算法

杨永刚, 谢睿夫, 龚泽川

计算机工程与应用 2024, 60 (6): 121-129. DOI: 10.3778/j.issn.1002-8331.2307-0316

摘要（114）

PDF（pc）（724KB）（117）

针对无人机视角下小目标难以检测、目标密集和环境复杂导致漏检概率增加的问题，提出一种改进YOLOv7-tiny的无人机目标检测算法。在原主干网络的基础上增加一个并行网络，加强主干网络对特征图信息的提取能力；增加细小目标采样尺度并改进FPN结构，使主干网络输出的特征图可以用于后续上采样和下采样当中，提高网络精度；加入CA注意力机制，优化主干网络输出特征图，减少特征信息损失；使用WIoU损失函数计算定位损失，增强网络对小目标的检测能力。实验结果表明，相较于原算法，改进YOLOv7-tiny算法的准确率和召回率分别提升了2.8和2.7个百分点，mAP@0.5和mAP@0.5:0.95分别提升了3.8和3.2个百分点，有效提高了算法的检测精度。

参考文献 | 相关文章 | 多维度评价

Select

7. 面向小目标的改进YOLOv5安全帽佩戴检测算法

邓珍荣, 熊宇旭, 杨睿, 陈昱任

计算机工程与应用 2024, 60 (3): 78-87. DOI: 10.3778/j.issn.1002-8331.2305-0209

摘要（89）

PDF（pc）（702KB）（109）

安全帽是施工人员的安全保障，但是现有安全帽检测模型在复杂环境下对重叠和密集小目标存在误检和漏检等问题，为此提出改进YOLOv5的小目标检测算法。在YOLOv5的主干网络中加入Transformer捕获多个尺度上的全局信息，获得更丰富的高层语义特征；使用GsConv卷积进行特征融合增强，并引入坐标注意力机制（coordinate attention），让网络在更大区域上进行注意；检测头将分类和回归进行解耦，加快收敛速度；使用无锚点（anchor-free）的检测方法，简化算法结构，加快检测速度；使用EIOU损失函数来优化边框预测的准确度。在自制安全帽数据集上实验结果表明，改进的YOLOv5模型平均精度达到了96.33%，相比于YOLOv5模型，平均精度提高了4.73个百分点，达到了在复杂条件下对重叠和密集小目标检测的要求。

参考文献 | 相关文章 | 多维度评价

Select

8. 改进YOLOv7的轻量化水下目标检测算法

辛世澳, 葛海波, 袁昊, 杨雨迪, 姚洋

计算机工程与应用 2024, 60 (3): 88-99. DOI: 10.3778/j.issn.1002-8331.2308-0333

摘要（79）

PDF（pc）（776KB）（96）

针对水下设备内存和计算能力有限和水下环境复杂造成的目标错检和漏检问题，提出一种轻量级水下目标检测方法YOLOv7-SDBB。在YOLOv7的骨干网络上引入ShuffleNetv2轻量级网络，降低特征提取网络的参数量和计算量；设计了D-ELAN和D-MPConv模块，在进一步实现网络轻量化的同时提高模型检测速度；由于水下检测过程中容易出现错检、漏检的现象，利用BiFPN（bidirectional feature pyramid network）进行多尺度特征融合，融合深层的特征信息；针对BiFPN特征融合导致的特征信息丢失的问题，采用BiFormer注意力机制保留关键信息，提高目标检测精度。实验结果表明，改进后模型在URPC2020数据集上的精度提高了2.7个百分点，参数量和计算量分别下降了20.3%和41.7%，检测速度提升至100.9?FPS，从而验证了提出的算法在精度和速度之间取得了很好的平衡。

参考文献 | 相关文章 | 多维度评价

Select

9. 改进YOLOv5的无人机航拍图像密集小目标检测算法

陈佳慧, 王晓虹

计算机工程与应用 2024, 60 (3): 100-108. DOI: 10.3778/j.issn.1002-8331.2306-0289

摘要（125）

PDF（pc）（739KB）（151）

无人机航拍图像中小目标实例多、尺寸变化剧烈且存在密集遮挡等问题，为解决现有目标检测算法难以检测到航拍图像中的小目标物体，提出了一种针对密集小目标的RDS-YOLOv5检测算法。在YOLOv5的三个检测层上新增一个小目标检测层，以保留更丰富的特征信息，增强网络对小目标特征的提取能力，并改善误检漏检情况；为了提高网络的多尺度特征表征能力以及抑制冲突的产生，设计了具有等级制的残差结构的多尺度特征提取模块C3Res2Block；使用解耦检测头Decoupled Head避免不同任务之间的差异所带来的预测偏差，提升了模型的定位精度和检测精度；采用软化非极大值抑制Soft NMS算法对候选框的置信度进行优化，提高模型对密集小目标的检测精度。通过VisDrone数据集的实验结果表明，与基准模型YOLOv5相比，RDS-YOLOv5在mAP0.5上提升了12.9个百分点，mAP0.5：0.95上提升了10.6个百分点，与目前主流的目标检测算法相比也取得更优的检测精度，能够有效完成无人机航拍图像的密集小目标检测任务。

参考文献 | 相关文章 | 多维度评价

Select

10. 基于YOLOv5s室内目标检测轻量化改进算法研究

牛鑫宇, 毛鹏军, 段云涛, 娄晓恒

计算机工程与应用 2024, 60 (3): 109-118. DOI: 10.3778/j.issn.1002-8331.2305-0109

摘要（57）

PDF（pc）（1026KB）（74）

针对现有室内目标检测算法，存在结构复杂，计算量以及模型参数量过大等问题，难以部署到计算能力有限的室内机器人平台，实现高效的目标检测。为解决这一问题，提出了一种改进的YOLOV5s轻量化检测算法。该方法采用ShuffleNetv2作为主干特征提取网络，并且在改进的主干网络基础上采用CA注意力机制，同时在颈部网络中采用GSConv和VOV-GSCSP模块。最后引入边框回归损失函数EIOU加快网络收敛。研究结果表明，改进后的目标检测算法，模型计算量减少了68.75%，模型参数量减少了62.2%，权重文件减少了59.7%，平均精确率mAP均值为0.653，改进后的目标检测模型能够在保证轻量化的同时保证检测精度。

参考文献 | 相关文章 | 多维度评价

Select

11. 改进YOLOv6的遥感图像目标检测算法

许德刚, 王再庆, 邢奎杰, 郭奕欣

计算机工程与应用 2024, 60 (3): 119-128. DOI: 10.3778/j.issn.1002-8331.2304-0270

摘要（92）

PDF（pc）（876KB）（66）

针对遥感图像背景复杂、目标普遍比较小且呈多尺度分布所导致的目标检测精度较低的问题，提出了一种改进YOLOv6的遥感图像目标检测算法。在骨干网络引入一种坐标注意力模块，以提高复杂背景下模型的特征提取能力和目标定位能力。提出一种上下文增强模块，使模型获取丰富的上下文信息，从而提升模型提取多尺度目标细节信息的能力。为了实现不同尺度特征的自适应融合，通过在颈网络引入一种自适应空间特征融合，提升了多尺度目标尤其是小目标的检测精度。将所提改进算法在遥感图像公开数据集DOTA-v1.0上进行训练并测试，实验结果表明，改进算法的收敛速度与收敛精度均优于原算法，其中AP值达到了54.6%，相比原算法提高了1.4个百分点，同时相比于一些其他目前先进的目标检测算法在精度和速度上均有提升，证明了改进算法的有效性。

参考文献 | 相关文章 | 多维度评价

Select

12. 改进YOLOv8的多尺度轻量型车辆目标检测算法

张利丰, 田莹

计算机工程与应用 2024, 60 (3): 129-137. DOI: 10.3778/j.issn.1002-8331.2309-0145

摘要（205）

PDF（pc）（713KB）（197）

针对传统车辆目标检测模型设备需求高、检测精度低、重叠目标漏检率高等问题，提出了一种改进YOLOv8的车辆目标检测算法RBT-YOLO。采用多尺度融合的方式对主干网络进行重构。对BiFPN进行改进，增加卷积操作以及调整输入输出通道个数以适应YOLOv8，加强其特征融合能力。在Neck部分输出的特征图之后加入轻量型注意力机制Triplet Attention，提升模型的特征提取能力。针对真实情况下车辆目标重叠度较高的问题，使用SoftNMS（soft non-maximum suppression）替换原有NMS，使模型对候选框的处理方式更为温和，增强了模型对目标的检测能力，提升了召回率。在Pascal VOC和MS COCO数据集上进行实验，结果表明提出的RBT-YOLO性能超越原始模型，参数量和计算量下降60%左右，mAP分别提高了2.6和3.0个百分点，并在体积和精度上优于其他经典检测模型，具有很强的实用性。

参考文献 | 相关文章 | 多维度评价

Select

13. YOLOv5的改进算法及其在自动驾驶多目标检测的应用研究

宋绍剑, 夏海姐, 李刚

计算机工程与应用 2023, 59 (15): 68-75. DOI: 10.3778/j.issn.1002-8331.2302-0185

摘要（166）

PDF（pc）（644KB）（124）

车辆、行人等交通参与者的实时检测是自动驾驶汽车与外界环境实现信息交互的重要环节，而在复杂天气条件下多目标检测精度低仍是一个挑战性问题。提出了一种YOLOv5的改进算法及其在自动驾驶多目标检测的应用方法。该方法采用K-means++算法对数据集中的目标样本聚类，以获得更符合不同目标尺度的锚框，提高多目标定位及其实体分割的精度；在原YOLOv5的骨干网络中添加Coordinate Attention（坐标注意力）模块，以提高模型的特征提取能力；将原YOLOv5网络中的PANet（路径聚合网络）结构替换为BiFPN（双向特征金字塔）结构，实现自上而下与自下而上的深浅层特征双向融合，提高模型对不同尺度目标的整体检测精度。对比实验结果表明：改进后的YOLOv5算法获得了更好的性能，目标检测的mAP达到了92.2%，比改进前的YOLOv5算法提升了8.47%。

参考文献 | 相关文章 | 多维度评价

Select

14. 改进YOLOv5的遥感影像目标检测算法

杨晨, 佘璐, 杨璐, 冯自贤

计算机工程与应用 2023, 59 (15): 76-86. DOI: 10.3778/j.issn.1002-8331.2301-0220

摘要（158）

PDF（pc）（847KB）（108）

针对遥感影像目标检测中复杂背景的干扰，小目标检测效果差等问题，提出一种改进YOLOv5（you only look once v5）的遥感影像目标检测模型。针对卷积神经网络下采样导致的特征图中包含的小目标信息较少或消失的问题，引入特征复用以增加特征图中的小目标特征信息；在特征融合阶段时使用EMFFN（efficient multi-scale feature fusion network）的特征融合网络代替原有的PANet（path aggregation network），通过添加跳跃连接以及跨层连接高效融合不同尺度的特征图信息；为了应对复杂背景带来的检测效果变差的问题，提出了一种包含通道与像素的双向特征注意力机制（bidirectional feature attention mechanism，BFAM），以提高模型在复杂背景下的检测效果。实验结果表明，改进后的YOLOv5模型在DIOR数据集与RSOD数据集中分别取得了87.8%和96.6%的检测精度，相较原算法分别提高5.2和1.6个百分点，有效提高了复杂背景下的小目标检测精度。

参考文献 | 相关文章 | 多维度评价

Select

15. 面向复杂交通场景的道路目标检测方法

盛博莹, 侯进, 李嘉新, 党辉

计算机工程与应用 2023, 59 (15): 87-96. DOI: 10.3778/j.issn.1002-8331.2212-0093

摘要（109）

PDF（pc）（758KB）（67）

针对复杂交通场景下小目标检测精度低，容易出现误检和漏检的问题，提出一种基于改进YOLOv5s的道路目标检测算法YOLOv5s-MRS。提出基于反馈机制的特征提取网络（RFP-PAN），增加浅层特征层与反馈连接并设计IASPP模块，充分融合不同尺度的特征信息，提升网络的特征融合能力；提出级联注意力机制（SECA），在通道和空间维度上聚焦重要特征，让算法关注更加有用的信息；利用Ghost模块的轻量化优势，降低算法的参数量、计算量和模型占用空间。实验结果表明，YOLOv5s-MRS算法在KITTI数据集和VisDrone2021 DET数据集上的检测精度分别达到了93.4%和40.8%，相比原始算法分别提高了1.6和8.6个百分点，模型大小为12.9 MB，在保证实时性的同时具有良好的检测精度，在一定程度上解决了小目标的漏检和误检问题。

参考文献 | 相关文章 | 多维度评价

Select

16. 基于改进YOLOv4-Tiny轻量化校内行人目标检测算法

孙好, 董兴法, 王军, 陈致远

计算机工程与应用 2023, 59 (15): 97-106. DOI: 10.3778/j.issn.1002-8331.2207-0313

摘要（73）

PDF（pc）（805KB）（68）

深度学习常用于行人检测，为了在嵌入式设备上应用复杂的传统卷积神经网络，网络的轻量化是必然趋势，但难以兼顾速度和精度。为解决这个问题，设计了一种基于改进YOLOv4-Tiny的轻量化校内行人目标检测算法。提出了一种多尺度空洞卷积模块的改进Ghost卷积特征提取模块，同时普通卷积用深度可分离卷积代替，降低了模型复杂度，增加特征提取的多样性；构建了一种空洞深度可分离卷积的改进空间金字塔池化结构，增强上下文特征的融合，提高检测精度，减少网络参数；再引入Soft-NMS取代传统非极大值抑制，降低漏检率。实验结果表明，该算法在多个数据集和硬件平台上，其具有精度高、速度快、模型参数少和体积少等特点，可以应用于嵌入式设备。

参考文献 | 相关文章 | 多维度评价

Select

17. 复杂背景下的无人机图像小目标检测

王晓红, 胡豫

计算机工程与应用 2023, 59 (15): 107-114. DOI: 10.3778/j.issn.1002-8331.2303-0154

摘要（122）

PDF（pc）（839KB）（88）

针对无人机航拍图像背景复杂、目标特征小而导致检测精度低的问题，提出了一种基于YOLOv7-w6改进的小目标检测算法EMT-ECoTNet。采用具有全局建模优势的CoT模块和增加最大池化层MaxPool用以挖掘小目标更多纹理信息的MA-ECA通道注意力模块构建的ECoT Block，有利于小目标特征提取；通过具有大感受野的空间金字塔池化结构M-SPPFCSPC对小目标特征进一步增强；使用EIoU损失函数分别对预测框和真实框之间宽和高的预测结果进行惩罚来提高收敛速度和准确率。实验结果表明，EMT-ECoTNet在VisDrone数据集上mAP50达到62.8%，较原始基线模型YOLOv7-w6提高了3.2个百分点，比主流算法在无人机小目标检测任务上具有更好的检测性能。

参考文献 | 相关文章 | 多维度评价

栏目文章信息