CC-YOLOv5:改进的YOLOv5用于无人机航拍图像目标检测

由于无人机航拍图像的背景较为复杂,小尺寸目标较多,不同目标的尺度差异较大,且算法部署于资源有限的边缘设备上,难以同时兼顾检测的准确性和实时性.一方面,传统的单阶段检测算法可能会使特征图的融合不充分,造成目标特征信息的丢失,导致检测精度不高.另一方面,复杂度较高的两阶段检测算法在边缘设备上又难以满足实时性的要求.针对以上问题,基于YOLOv5框架提出了一种改进的CC-YOLOv5算法.首先,在Backbone部分集成CBAM模块,丰富网络获取的目标特征信息,降低网络的复杂度;其次,通过改进YOLOv5的FPN层,使其能够更好地进行特征融合,提升检测性能.最后,实验结果表明,在VisDrone2019数据集上,mAP达到了33.5％,比YOLOv5m提高了3.3个百分点;在边缘计算设备Nvidia Jetson Nano上,针对640×480图像的平均检测时间为0.095 s,满足了实时性要求.