A More Efficient Algorithm for Small Target Detection in Unmanned Aerial Vehicles
Notice bibliographique
Résumé
Due to the relatively high shooting altitude of unmanned aerial vehicles (UAV), the captured images often contain a multitude of small‐scale targets. To solve the problems of small target scale, lack of semantic information, and high miss detection in drone target detection, in this paper we proposed a more effective unmanned aerial vehicle small target detection algorithm(MEU‐YOLOv5) based on YOLOv5s. Firstly, an efficient global contextual module is proposed to enhance the algorithm's performance in feature extraction while reducing the excessive loss of shallow features. Secondly, a small‐scale target detector is added to enhance the algorithm's detection capability for smaller targets. Lastly, a recursive multi‐level feature fusion path is introduced to better fuse the shallow and deep features of the images, reducing overfitting and improving the algorithm's generalizability and robustness. Experimental results demonstrated that compared to YOLOv5s, MEU‐YOLOv5 achieves a 7.4% improvement in mAP@0.5 and a 4.9% improvement in mAP@0.5:0.95. Additionally, the overall performance of this algorithm surpassed various algorithms in the YOLO series, including YOLOv3, YOLOv5l, YOLOv5m, and YOLOv8s. © 2024 Institute of Electrical Engineers of Japan. Published by Wiley Periodicals LLC.
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.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 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 découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».