作者选择YOLOv5作为他们的基准框架,因为与最新的YOLOv8相比,它的参数更少,并且可以在小目标检测任务中保持一定程度的准确性。FFCA-YOLO的整体架构如下图所示。首先,FFCA-YOLO只使用4个卷积子采样操作作为特征提取的主干,这与原来的YOLOv5不同。其次,在YOLOv5的颈部增加了三个专门设计的模块:提出了一个轻量级FEM来提...
FFCA-YOLO的总体框架 特征增强模块(FEM) FEM旨在增强小目标的特征表达能力,从而解决遥感图像中小目标中特征表示不足的问题。FEM通过多分支卷积以及空洞卷积来增加特征的丰富度以及感受野。 FEM的设计灵感主要来自于论文RFB-s: 从增加特征丰富度的角度出发,采用多分支卷积结构提取多个判别性语义信息。
作者在两个公共遥感数据集VEDAI和AI-TOD以及自建的USOD数据集上验证了FFCA-YOLO的有效性。FFCA-YOLO在这些数据集上达到了0.748、0.617和0.909的mAP50精度,超过了多个基准模型和现有最佳方法。此外,L-FFCA-YOLO在保持准确性的同时,提供了更快的速度和更低的计算资源需求。 图6 FFCA-YOLO在USOD、VEDAI和AI-TOD中对...
实验结果表明,FFCA-YOLO在多个遥感数据集上的平均精度(mAP50)表现优异,超过现有模型,且鲁棒性经验证。为进一步优化计算资源消耗,基于部分卷积(PConv)重构了FFCA-YOLO结构,得到轻量级版本L-FFCA-YOLO,保持了高效性能与低计算需求。本文的贡献主要体现在设计FFCA-YOLO与L-FFCA-YOLO,通过引入FEM、FFM...
FFCA-YOLO The corresponding paper title for this project is “FFCA-YOLO for Small Object Detection in Remote Sensing Images”. In the future, various data and codes in the paper will gradually be opened up. Train your net train.py --weights '' --cfg your yaml address --data data/AITOD...
AI-TOD中FFCA-YOLO的比较实验 USOD中FFCA-YOLO的比较实验 USOD中FEM、FFM和SCAM的消融实验 贡献(结论) 1、设计了一种高效的检测器FFCA-YOLO及其轻量版L-FFCA-YOLO,在小物体检测任务中表现优异。 2、提出了三个可插拔模块(FEM、FFM、SCAM),提升了网络对小目标的特征表示能力。 3、构建了USOD小目标数据集,提...