文件大小：1.84M
摘要：针对无人机航拍图像中背景丰富、多个小目标聚集导致的误检、漏检以及置信度不高等问题，本文提出了一种改进YOLOX的目标检测算法。首先，设计了一种提取高频特征信息的注意力机制（LE-MSA），避免小目标特征消失在冗余信息中。其次，为了防止样本类别不均衡导致的检测效果差的问题，引入了VarifocalLoss损失函数，与BCEWithLogitsLoss损失函数共同参与分类准确度和目标框定位精度的提升。最后，提出了一种包含自适应小目标增强、区域增强方法在内的多策略数据增强方法，以提高模型的泛化能力。试验结果表明，LE-YOLOX算法表现出良好的检测能力，其检测精度达到了90.78%，优于Faster R-CNN（71.30%）、YOLOv5（88.15%）、YOLOv8（87.63%）、YOLOv10（86.1%）和YOLOX（87.82%）。同时，改进YOLOX在实际检测时能够有效解决无人机航拍图像下密集小目标的误检和漏检问题，具有较强的小目标识别和密集目标处理能力。
文章目录
0 引言
1 改进前后的YOLOX网络模型
1.1 基准YOLOX模型
1.2 LE-YOLOX模型
2 LE-YOLOX网络优化方法
2.1 基于拉普拉斯算子增强的注意力机制
2.2 复合损失函数
2.3 多策略融合的数据增强
2.3.1 自适应小目标增强
2.3.2 区域增强方法
3 试验与评估
3.1 试验环境
3.2 试验数据集
3.3 评价指标
3.4 网络训练
3.5 注意力机制对比试验结果与分析
3.6 消融试验结果与分析
3.6.1 整体对比
3.6.2 各类别结果对比
3.7 检测网络对比试验结果与分析
3.8 可视化试验结果对比与分析
4 结论
