基于ATO-YOLO的小目标检测算法

作者：苏佳; 秦一畅^*; 贾泽; 王静

来源：计算机工程与应用, 2023, 1-14.

• YOLOv5
• 多尺度特征融合
• 自适应特征提取
• 小目标检测

小目标检测在计算机视觉领域具有重要意义，但现有方法在应对小目标的尺度变化、目标密集和无规则排列等挑战时经常出现漏检和误检的问题。为解决这些问题，提出基于改进YOLOv5算法的ATO-YOLO。首先，为提升检测模型的特征表达能力，提出一种结合注意力机制的自适应特征提取模块(Adaptive Feature Extraction， AFE)，通过动态调整权重分配突出关键目标的特征表示，提高目标检测任务在不同场景下的准确性和鲁棒性。其次，设计一种三重特征融合机制(Triple Feature Fusion ， TFF)，能够在不同尺度下充分利用多尺度信息，将多个尺度的特征图融合，以获取更全面的目标特征，提升对小目标的检测效果。最后，引入一种输出重构模块(Output Reconstruction， ORS)，通过去除大目标检测层并增加小目标检测层，实现精确定位和识别小目标，并且相对于原模型复杂度更低，检测速度更快。实验结果表明，ATO-YOLO算法在VisDrone数据集上的mAP@0.5达到了38.2%，较原YOLOv5提升了6.1%，且FPS较改进前提升了4.4%，能够快速准确地对小目标进行检测。

• 单位
  河北科技大学