<scp>EA</scp>‐<scp>YOLO</scp>: An Efficient and Accurate <scp>UAV</scp> Image Object Detection Algorithm
Notice bibliographique
Résumé
An improved EA‐YOLO object detection algorithm based on YOLOv5 is proposed to address the issues of drastic changes in target scale, low detection accuracy, and high miss rate in unmanned aerial vehicle aerial photography scenarios. Firstly, a DFE module was proposed to improve the effectiveness of feature extraction and enhance the whole model's ability to learn residual features. Secondly, a CWFF architecture was introduced to enable deeper feature fusion and improve the effectiveness of feature fusion. Finally, in order to solve the traditional algorithm's shortcomings it is difficult to detect small targets. We have designed a novel SDS structure and adopted a strategy of reusing low‐level feature maps to enhance the network's ability to detect small targets, making it more suitable for detecting some small objects in drone images. Experiments in the VisDrone2019 dataset demonstrated that the proposed EA‐YOLOs achieved an average accuracy mAP@0.5 of 39.9%, which is an 8% improvement over YOLOv5s, and mAP@0.5:0.95 of 22.2%, which is 5.2% improvement over the original algorithm. Compared with YOLOv3, YOLOv5l, and YOLOv8s, the mAP@0.5 of EA‐YOLOs improved by 0.9%, 1.8%, and 0.6%, while the GFLOPs decreased by 86.4%, 80.6%, and 26.7%. © 2024 Institute of Electrical Engineers of Japan and 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 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,001 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».