为了解决这个问题并提高 TPH-YOLOv5 的泛化能力,作者提出了带有跨层非对称变换器(CA-Trans)的 TPH-YOLOv5++,以移除额外的预测头,同时保留检测大规模变化物体和高密度场景的性能。 之前的改进: 由于无人机俯仰角度和高度变化较大,物体尺度和外观变化较大,另一方面,图像中物体以高密度簇状出现的情况十分常见,实验结...
2 TPH-YOLOv5 2-1 数据增强策略以及工作流 基于yolov5的改进策略 增加了一个预测头来处理目标的大尺度方差; 将Transformer Prediction Heads (TPH)集成到YOLOv5中,可以在高密度场景中准确定位目标; 将CBAM集成到YOLOv5中,帮助网络在区域覆盖范围大的图像中找到感兴趣的区域; 提供有用的Tricks,并过滤一些无用的Tri...
在YOLOv5的基础上,增加了一个预测头来检测不同尺度的物体,并用Transformer Prediction Heads (TPH)替换原始预测头,以探索具有自注意力机制的预测潜力。同时,集成了卷积块注意力模型(CBAM)以在具有密集对象的场景中找到注意力区域。 论文原文链接: TPH-YOLOv5: Boosting Object Detection on Drone-Captured Scenarios...
几篇论文实现代码:《TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-Captured Scenarios》(ICCVW 2021) GitHub: github.com/cv516Buaa/tph-yolov5 [fig3]《CLIPasso: Semantically-Aware Object Sketching》(2022) GitHub: github.com/yael-vinker/CLIPasso [...
本文在YOLOv5的基础上加入了一些新的技术,比如ViT、CBAM和一些Tricks(数据增广、多尺度测试等),最终命名为TPH-YOLOv5的目标检测器,比较适合无人机小目标的检测和应用。 论文: https://arxiv.org/abs/2108.11539 一、简介 针对无人机捕获场景的目标检测是最近比较流行的一项任务。由于无人机在不同高度飞行,目标尺...