.png){kind=icon}
返回
UAV Target Detection Algorithm Based on Improved YOLOv8
.png){kind=icon}
OA
AI
DOI：10.1109/ACCESS.2023.3325677.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
由于无人机通常在更高的高度飞行，导致成像后的小目标比例更高，这就带来了挑战；
现阶段的目标检测算法; 此外，无人机的高速飞行对检测到的物体造成模糊感，导致；
目标特征提取的困难。针对上述两个问题，提出一种基于改进yolov8的无人机目标检测算法。首先，在网络中嵌入小目标检测结构 (STC)，该结构充当浅特征和深特征之间的桥梁；
改善小目标语义信息的收集，提高检测精度。其次，利用无人机成像聚焦目标全局信息的特点，引入全局注意力GAM；
the bot;
m层YOLOv8m的主干，通过反馈不同维度的特征信息，防止采样过程中图像特征信息的丢失，从而提高算法的检测性能。改进后的模型有效地增加了对微小目标的检测，mAP值为39.3%，4.4% 高于基线方法；
在VisDrone2021数据集上的实验结果，并优于SSD、YOLO系列等主流算法，有效提升了无人机对小目标的检测性能。
Keyword:
UAV target detection
global attention mechanism
small target detection
期刊
IF:
3.6
论文数:
9.8W
被引数:
29.4W
机构
引用论文
Caw’s Walking State Recognition Based on Accelerometers and Gyroscopes Installed on Ear-Tags and Collar-Tags基于安装在耳标和项圈上的加速度计和陀螺仪的Caw步行状态识别
PREAI
分享收藏Efficient Detection Model of Steel Strip Surface Defects Based on YOLO-V7基于YOLO-V7的带钢表面缺陷高效检测模型.png)
IEEE ACCESSOAAI
IEEE ACCESSIF3.6
OAAI分享收藏Infrared Small UAV Target Detection Based on Depthwise Separable Residual Dense Network and Multiscale Feature Fusion基于深度可分离残差密集网络和多尺度特征融合的红外小无人机目标检测
PREAI
分享收藏Differentiated Attention Guided Network Over Hierarchical and Aggregated Features for Intelligent UAV Surveillance基于分层和聚合特征的差异化注意力引导网络，用于智能无人机监视
PREAI
分享收藏
查看更多内容