融合少样本学习与注意力端到端网络的小目标在线检测研究

简介

小目标检测是计算机视觉领域的研究方向之一,旨在解决在图像或视频中检测和定位尺寸较小的目标的问题。由于小目标往往具有低分辨率、模糊、被遮挡等特点,传统的目标检测算法在处理小目标时存在挑战。对此,提出一种融合少样本学习与注意力端到端网络的小目标检测方法。该方法通过引入图像增强技术和注意力机制,对传统的端到端检测网络进行优化,以提高检测性能。通过数据增强方式,对原始数据进行扩充,增加数据的多样性和数量;引入注意力机制,提取图像中的关键信息,以提升检测结果的准确性;最后,在网络结构方面,将原有的特征金字塔网络(FPN)替换为加权双向特征金字塔网络(BiFPN),以获取更丰富的图像特征。实验结果表明通过图像增强和注意力机制,所提方法的精准率、召回率、平均精度均值和检测速度在训练尺度为640像素×640像素时分别为98.41%、99.54%、99.50%和28帧/s,相较于YOLOv5算法分别提升了2.91%、5.9%、1.93%和2帧/s,验证了该方法的有效性和可行性。