Transformer结构与注意力机制融合的无人机图像小目标识别方法

摘要

目前无人机（Unmanned Aerial Vehicle,UAV）航拍图像中存在较多密集和尺寸较小的实例，识别效果往往较差.针对此问题，在YOLOv5的骨干网络中使用带有Transformer结构的C3TR模块替换原有的C3 (CSP Bottleneck with 3Convolutions)模块来增强骨干网络的特征提取能力，之后，在SPPF层后加入CA (Coordinate Attention)模块来增强模型对小目标区域的关注度.其次，在颈部网络中使用ConvNeXtBlock模块替换C3模块，ConvNeXtBlock的深层卷积能够进一步增强对小目标细节的识别，提高目标检测的准确性.最后，使用ECIoU损失函数替换CIoU损失函数来进一步提升模型的收敛速度和精度.实验结果表明，在VisDrone2019公开数据集上，与基线模型YOLOv5l相比，改进模型的mAP0.5和mAP0.5∶0.95分别提升9.5%和6.3%，和其他模型相比也有比较好的效果.

关键词

无人机 / YOLOv5 / 小目标 / Transformer / 注意力机制

基金资助

国家自然科学基金（62066040）; 民族教育信息化教育部重点实验室开放课题（EIN2024B003）; 2023年度智能计算与信息处理教育部重点实验室开放课题（2023ICIP05）; 国家留学基金委西部地区人才培养特别项目（202108525007）; 铜仁市大数据智能计算与应用重点实验（铜仁市科研[2022]5号）; 贵州省科技厅基础研究计划（黔科合基础-zk[2025]面上096,ZK[2022]557）; 贵州省基础研究（自然科学）（MS[2025]096）