TGC-YOLOv5: Un modelo de detección de drones YOLOv5 mejorado basado en Transformer, GAM y el mecanismo de atención CA
Autores: Zhao, Yuliang; Ju, Zhongjie; Sun, Tianang; Dong, Fanghecong; Li, Jian; Yang, Ruige; Fu, Qiang; Lian, Chao; Shan, Peng
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
TGC-YOLOv5: Un modelo de detección de drones YOLOv5 mejorado basado en Transformer, GAM y el mecanismo de atención CA
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Robótica
Palabras clave
Detección de drones
Drones de pequeño objetivo
TGC-YOLOv5
Módulo de codificador Transformer
Mecanismo de atención global
Mecanismo de atención por coordenadas
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 1
Citaciones: Sin citaciones
La detección de drones es un tema de investigación significativo debido a las posibles amenazas a la seguridad que plantea el uso indebido de drones en los ámbitos civil y militar. Sin embargo, los métodos tradicionales de detección de drones se ven desafiados por los drásticos cambios de escala y la compleja ambigüedad durante el vuelo de los drones, y es difícil detectar rápidamente y de manera eficiente drones de pequeño tamaño. Proponemos un modelo mejorado de información basado en YOLOv5 mejorado (TGC-YOLOv5) para la detección rápida y precisa de drones de pequeño tamaño en entornos complejos. Las principales contribuciones de este artículo son las siguientes: Primero, se incorpora el módulo de codificador Transformer en YOLOv5 para aumentar la atención hacia las regiones de interés. En segundo lugar, se adopta el Mecanismo de Atención Global (GAM) para mitigar la difusión de información entre distintas capas y amplificar las características de interacción cruzada global. Finalmente, se incorpora el Mecanismo de Atención por Coordenadas (CA) en la parte del cuello de botella de C3, mejorando la capacidad de extracción de información local para pequeños objetivos. Para mejorar y verificar la robustez y generalización del modelo, se construye un conjunto de datos de drones de pequeño tamaño (SUAV-DATA) en entornos complejos, multi-escenario y en todas las condiciones climáticas. Los resultados experimentales muestran que, basado en el conjunto de datos SUAV-DATA, el valor de AP de TGC-YOLOv5 alcanza 0.848, lo que es un 2.5% más alto que el YOLOv5 original, y el valor de Recall de TGC-YOLOv5 alcanza 0.823, lo que representa una mejora del 3.8% sobre el YOLOv5 original. La robustez de nuestro modelo propuesto también se verifica en el conjunto de datos de imágenes de código abierto del mundo real, logrando la mejor precisión en imágenes con luz, niebla, manchas y contaminación por saturación. Los hallazgos y métodos de este artículo tienen una importancia y valor significativos para mejorar la eficiencia y precisión de la detección de drones.
Descripción
La detección de drones es un tema de investigación significativo debido a las posibles amenazas a la seguridad que plantea el uso indebido de drones en los ámbitos civil y militar. Sin embargo, los métodos tradicionales de detección de drones se ven desafiados por los drásticos cambios de escala y la compleja ambigüedad durante el vuelo de los drones, y es difícil detectar rápidamente y de manera eficiente drones de pequeño tamaño. Proponemos un modelo mejorado de información basado en YOLOv5 mejorado (TGC-YOLOv5) para la detección rápida y precisa de drones de pequeño tamaño en entornos complejos. Las principales contribuciones de este artículo son las siguientes: Primero, se incorpora el módulo de codificador Transformer en YOLOv5 para aumentar la atención hacia las regiones de interés. En segundo lugar, se adopta el Mecanismo de Atención Global (GAM) para mitigar la difusión de información entre distintas capas y amplificar las características de interacción cruzada global. Finalmente, se incorpora el Mecanismo de Atención por Coordenadas (CA) en la parte del cuello de botella de C3, mejorando la capacidad de extracción de información local para pequeños objetivos. Para mejorar y verificar la robustez y generalización del modelo, se construye un conjunto de datos de drones de pequeño tamaño (SUAV-DATA) en entornos complejos, multi-escenario y en todas las condiciones climáticas. Los resultados experimentales muestran que, basado en el conjunto de datos SUAV-DATA, el valor de AP de TGC-YOLOv5 alcanza 0.848, lo que es un 2.5% más alto que el YOLOv5 original, y el valor de Recall de TGC-YOLOv5 alcanza 0.823, lo que representa una mejora del 3.8% sobre el YOLOv5 original. La robustez de nuestro modelo propuesto también se verifica en el conjunto de datos de imágenes de código abierto del mundo real, logrando la mejor precisión en imágenes con luz, niebla, manchas y contaminación por saturación. Los hallazgos y métodos de este artículo tienen una importancia y valor significativos para mejorar la eficiencia y precisión de la detección de drones.