此前出了目標(biāo)檢測算法改進專欄，但是對于應(yīng)用于什么場景，需要什么改進方法對應(yīng)與自己的應(yīng)用場景有效果，并且多少改進點能發(fā)什么水平的文章，為解決大家的困惑，此系列文章旨在給大家解讀發(fā)表高水平學(xué)術(shù)期刊中的 SCI論文，并對相應(yīng)的SCI期刊進行介紹，幫助大家解答疑惑，助力科研論文投稿。解讀的系列文章，本人會進行 創(chuàng)新點代碼復(fù)現(xiàn)，有需要的朋友可關(guān)注私信我獲取。
一、摘要
ASFF-YOLOv5：基于多尺度特征融合的無人機圖像道路交通多要素檢測方法道路交通要素是道路的重要組成部分，是構(gòu)建基礎(chǔ)交通地理信息數(shù)據(jù)庫的主要要素。然而，在道路交通要素的檢測和識別中仍然存在以下問題：元素密集，多尺度目標(biāo)檢測效果差，小目標(biāo)易受遮擋因素影響。為此，提出一種自適應(yīng)空間特征融合（ASFF）YOLOv 5網(wǎng)絡(luò)（ASFF-YOLOv 5），用于多尺度道路交通要素的自動識別和檢測。首先，利用K-means++算法對多尺度道路交通元素的范圍進行聚類統(tǒng)計，得到適合數(shù)據(jù)集的候選框大小。然后，空間金字塔池快速（SPPF）結(jié)構(gòu)，用于提高分類精度和速度，同時實現(xiàn)更豐富的特征信息提取。提出了一種基于感受野塊（RFB）的ASFF策略，以提高特征尺度不變性，增強小目標(biāo)檢測效果。最后通過計算平均精密度（mAP）來評價實驗效果。實驗結(jié)果表明，該方法的mAP值為93.1%，即比原YOLOv 5車型提升19.2%。
二、網(wǎng)絡(luò)模型及核心創(chuàng)新點
1.利用K-means++算法對多尺度道路交通元素的范圍進行聚類統(tǒng)計，得到適合數(shù)據(jù)集的候選框大小。
2.空間金字塔池快速（SPPF）結(jié)構(gòu)，用于提高分類精度和速度，同時實現(xiàn)更豐富的特征信息提取。
3.提出基于感受野塊（RFB）的ASFF策略，以提高特征尺度不變性，增強小目標(biāo)檢測效果。
三、實驗效果（部分展示）
1.比較實驗：為了驗證該方法的有效性，本文對經(jīng)典的目標(biāo)檢測網(wǎng)絡(luò)算法進行了比較。SSD ，Retinanet ，F(xiàn)aster R-CNN，YOLOv 3 YOLOv 4 ，YOLOv 5 網(wǎng)絡(luò)以及以前的研究被選擇用于與所提出的方法進行比較實驗。
?在實驗中，AP，精度，召回率，和mAP評價指標(biāo)的值進行了計算和比較時，道路交通的多元數(shù)據(jù)集進行訓(xùn)練。如表3所示，統(tǒng)計了不同網(wǎng)絡(luò)模型下多元道路交通的識別精度。其中，通過比較每個網(wǎng)絡(luò)和所提出的方法來計算增加的mAP值。
2.消融實驗
為了驗證該算法的有效性，在多元素道路交通數(shù)據(jù)集上進行了消融實驗，并對K-means++、SPPF和ASFF融合后的實驗結(jié)果進行了比較。計算并比較AP、精確度、召回率和mAP值。消融測試結(jié)果如表5所示。
?實驗結(jié)果表明，上述消融實驗可以取得良好的斑馬線檢測結(jié)果，沒有檢測錯誤或漏檢。但上述燒蝕實驗在檢測街面停車位時均出現(xiàn)漏檢，漏檢街面停車位數(shù)量在3 ~ 11個之間。從總體結(jié)果來看，雖然YOLOv 5 + SPPF方法的平均檢測準(zhǔn)確率最高，但漏檢斑點數(shù)最嚴(yán)重，為11個。與燒蝕實驗中出現(xiàn)的嚴(yán)重漏檢相比，該方法僅漏檢3次，是燒蝕實驗中漏檢次數(shù)最少的方法。該方法的檢測準(zhǔn)確率為93。5%，對于遮擋的路邊停車位，兩者僅相差0.28，但漏檢率大大降低。實驗證明，該方法在保證檢測正確性的同時，保持了檢測精度，尤其是在檢測遮擋小目標(biāo)和并列密集小目標(biāo)方面有很高的提高。
五、實驗結(jié)論
針對無人機遙感影像交通要素信息提取數(shù)據(jù)少、自動化程度低但要求高、要素規(guī)模小、易受環(huán)境干擾等問題，提出了一種基于ASFF-YOLOv 5的無人機遙感影像交通要素信息提取算法。該算法采用基于感受野模塊的自適應(yīng)空間特征融合方法，充分利用不同尺度信息，提高了特征尺度的不變性，提高了小目標(biāo)的檢測效果。當(dāng)檢測多個道路交通元素時，所提出的方法的mAP達到93。1%，即19。比原YOLOv5網(wǎng)絡(luò)提升2%。對比實驗和消融實驗表明，該方法能夠解決多要素道路交通的誤檢和漏檢問題，提高多要素道路中小目標(biāo)和密集目標(biāo)的檢測精度，為基礎(chǔ)地理交通信息數(shù)據(jù)庫建設(shè)提供了一種新的解決方案。文章來源：http://www.zghlxwxcb.cn/news/detail-531327.html
注：論文原文出自ASFF-YOLOv5: Multielement Detection Method for Road Traffic in UAV Images Based on Multiscale Feature Fusion 本文僅用于學(xué)術(shù)分享，如有侵權(quán)，請聯(lián)系后臺作刪文處理。文章來源地址http://www.zghlxwxcb.cn/news/detail-531327.html
解讀的系列文章，本人已進行創(chuàng)新點代碼復(fù)現(xiàn)，有需要的朋友歡迎關(guān)注私信我獲取 ? 。
到了這里，關(guān)于英文論文（sci）解讀復(fù)現(xiàn)【NO.6】ASFF-YOLOv5：基于多尺度特征融合的無人機圖像道路交通多元檢測方法的文章就介紹完了。如果您還想了解更多內(nèi)容，請在右上角搜索TOY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章，希望大家以后多多支持TOY模板網(wǎng)！
