计算机工程

作者：王林, 赵莉, 王无为

单位：1. 厦门工学院数据科学与计算机学院, 福建 厦门 3610212. 西安理工大学自动化与信息工程学院, 陕西 西安 7100483. 西安邮电大学自动化学院, 陕西 西安 710061

关键词：视觉目标检测,无人机空对空目标检测,YOLOv5算法,轻量化,注意力机制

基金：国家自然科学基金(62202376); 陕西省科协青年人才托举计划(20220129); 陕西省教育厅专项科研计划(22JK0565); 厦门工学院科学与技术研究院启动项目(KYYKT202301)

针对高动态场景下无人机(UVA)空对空目标检测任务中机载设备计算资源有限和UVA小目标检测困难的问题, 提出一种基于轻量级注意力机制的无人机空对空目标检测算法SGC-YOLOv5。首先, 设计S-Ghost模块和SD-Ghost结构构建特征提取网络SD-GhostNet, 降低模型参数量和计算复杂度; 其次, 引入更高效的GSConv和VOVGSCSP结构细化特征融合网络, 将SD-GhostNet和细化的特征融合网络相结合使模型达到最佳的轻量化效果; 最后, 在特征融合网络中加入轻量级卷积块注意力模块(CBAM)来突出图像中感兴趣的UVA特征, 抑制背景冗余信息, 提高检测精度。在数据集Det-Fly上的实验结果表明, SGC-YOLOv5算法的精确率为74.9%、参数量为4 313 695、检测速度为169.42帧/s、每秒浮点运算次数(FLOPs)为9.0×109, 与基准YOLOv5s算法相比, 检测精确率提升2.5%、参数量减少48.5%、检测速度提升26.17帧/s、FLOPs降低57.5%, 在实现模型轻量化的同时取得了较好的检测精确率。

来源：2024年第12期

《计算机工程》期刊编辑部

查看计算机工程杂志2024年第12期