基于注意力机制的迷彩伪装人员检测算法研究

摘要

目的:针对复杂环境目标检测任务中迷彩伪装人员与周围背景高度一体化、辨识度低而导致误检和漏检的问题,提出一种基于注意力机制的迷彩伪装人员检测算法TC-YOLOv5s。方法:TC-YOLOv5s算法以YOLOv5s为基本框架,分别在特征提取网络和特征融合网络末端嵌入自注意力模块Transformer,并在特征融合网络中引入卷积注意力机制模块(convolutional block attention module,CBAM)。将TC-YOLOv5s算法在自制的军事伪装人员数据集上进行训练验证,并与RetinaNet、YOLOX-s、YOLOv5s、YOLOv5m以及YOLOv5l算法检测效果进行比较。结果:TC-YOLOv5s算法对复杂环境下迷彩伪装人员识别的准确率、召回率以及平均准确率均值(mAP0.5)分别达到了95.0%、88.0%和95.1%,相比YOLOv5s算法,平均准确率均值提高了4.8%;与RetinaNet、YOLOX-s、YOLOv5m、YOLOv5l等算法相比,TC-YOLOv5s算法更加轻量化,平均准确率均值和处理速度更优。结论:TC-YOLOv5s算法检测精度高、鲁棒性好,能够有效识别和准确定位迷彩伪装人员。