A novel small object detection algorithm for UAVs based on YOLOv5
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
Abstract Due to the advances in deep learning, artificial intelligence is widely utilized in numerous areas. Technologies frontier, including computer vision, represented by object detection, have endowed unmanned aerial vehicles (UAVs) with autonomous perception, analysis, and decision-making capabilities. UAVs extensively used in numerous fields including photography, industry and agriculture, surveillance, disaster relief, and play an important role in real life. However, current object detection algorithms encountered challenges when it came to detecting small objects in images captured by UAVs. The small size of the objects, with high density, low resolution, and few features make it difficult for the algorithms to achieve high detection accuracy and are prone to miss and false detections especially when detecting small objects. For the case of enhancing the performance of UAV detection on small objects, a novel small object detection algorithm for UAVs adaptation based on YOLOv5s (UA-YOLOv5s) was proposed. (1) To achieve effective small-sized objects detection, a more accurate small object detection (MASOD) structure was adopted. (2) To boost the detection accuracy and generalization ability of the model, a multi-scale feature fusion (MSF) approach was proposed, which fused the feature information of the shallow layers of the backbone and the neck. (3) To enhance the model stability properties and feature extraction capability, a more efficient and stable convolution residual Squeeze-and-Excitation (CRS)module was introduced. Compared with the YOLOv5s, mAP@0.5 was achieved an impressive improvement of 7.2%. Compared with the YOLOv5l, mAP@0.5 increased by 1.0%, and GFLOPs decreased by 69.1%. Compared to the YOLOv3, mAP@0.5 decreased by 0.2% and GFLOPs by 78.5%. The study’s findings demonstrated that the proposed UA-YOLOv5s significantly enhanced the object detection performance of UAVs campared to the traditional algorithms.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle