一种针对红外目标检测的Dense-Yolov5算法研究

【摘要】：在计算机视觉领域,深度学习一直有着良好的表现。基于深度学习的目标检测方法在红外图像检测识别方面具有巨大的潜力。针对红外图像场景多变,尺度变化范围大,可用特征不足等问题,提出了一种Dende-Yolov5的网络结构,该网络融合了DenseNet网络和Yolov5的特点,基于充分利用feature,保护目标边缘的思想,将Yolov5s中的Resunit模块替换成了自定义的密集连接型Denseblock模块,并对Dense-Yolov5与原Yolov5网络在自建的红外数据集上进行了对照实验。改进后的Dense-Yolov5网络对各目标检测的召回率,精度,mAP值均有提升,mAP提高了1.92%,召回率提高了1.59%,精度提高了0.99%。检测结果表明,该网络对于红外目标,尤其是特征不明显的小目标的识别效果更好,对于未来军事领域的红外目标识别、跟踪具有参考价值。