HIC-YOLOv5：用于小目标检测的改进YOLOv5
计算机视觉与模式识别
2023-11-10 v2
摘要
小目标检测一直是目标检测领域的难题。已有一些工作针对该任务提出改进，例如添加若干注意力模块或改变特征融合网络的整体结构。然而，这些模型的计算代价较大，使得部署实时目标检测系统不可行，同时仍有改进空间。为此，提出一种改进的YOLOv5模型：HIC-YOLOv5，以解决上述问题。首先，添加一个专门针对小目标的额外预测头，以提供更高分辨率的特征图以获得更好的预测。其次，在骨干网络与颈部之间采用involution块以增加特征图的通道信息。此外，在骨干网络末端应用名为CBAM的注意力机制，从而不仅相较先前工作降低了计算代价，还强化了通道与空间域中的重要信息。我们的结果表明，在VisDrone-2019-DET数据集上，HIC-YOLOv5的mAP@[.5:.95]提升了6.42%，[email protected]提升了9.38%。
引用
@article{arxiv.2309.16393,
title = {HIC-YOLOv5: Improved YOLOv5 For Small Object Detection},
author = {Shiyi Tang and Shu Zhang and Yini Fang},
journal= {arXiv preprint arXiv:2309.16393},
year = {2023}
}
备注
7 pages,10 figures