典型文献
基于改进YOLOv5的红树林单木目标检测研究
文献摘要：
针对无人机影像中红树林单木目标较小且分布密集，对其检测时自动化程度不高、效率低等问题，基于深度学习方法提出了一种红树林单木目标检测模型（YOLOv5-ECA），以实现对无人机影像中红树林单木快速、精确的自动识别和定位。首先利用开源软件LabelImg在选取的无人机影像上依次标注目标树，构建红树林单木数据集；其次选择YOLOv5为基础目标检测模型，依据目标分布密集且尺寸较小的特点对其进行优化和改进；使用有效通道注意力（ECA）机制对CSPDarknet53骨干网络进行改进，避免降维的同时增强特征表达能力，并在SPP模块引入SoftPool改进池化操作，保留更多细节特征信息；最后利用ACON自适应激活函数自适应地决定是否激活神经元。结果表明：使用已构建的数据集对改进前后的网络进行训练，在测试集上对比准确率、召回率、平均精准度的均值（mAP）@0.5等参数，各模型略有差异但均趋于收敛；所提YOLOv5-ECA的平均检测精度较YOLOv5提高了3.2个百分点，较YOLOv4提升了5.19个百分点，同时训练损失也更低，能够快速、精准且自动化地检测红树林单木目标，较好地提升了对红树林单木的识别和定位能力。
文献关键词：
红树林单木;无人机影像;深度学习;目标检测
中图分类号：
作者姓名：
马永康;刘华;凌成星;赵峰;姜怡;张雨桐
作者机构：
中国林业科学研究院资源信息研究所，北京 100091;国家林业和草原局林业遥感与信息技术重点实验室，北京 100091
文献出处：
引用格式：
[1]马永康;刘华;凌成星;赵峰;姜怡;张雨桐-.基于改进YOLOv5的红树林单木目标检测研究)[J].激光与光电子学进展,2022(18):1828003
A类：
红树林单木
B类：
YOLOv5,无人机影像,深度学习方法,目标检测模型,ECA,自动识别,识别和定位,开源软件,LabelImg,注目,目标树,优化和改进,通道注意力,CSPDarknet53,骨干网络,特征表达,表达能力,SPP,SoftPool,池化操作,细节特征,特征信息,ACON,自适应激活函数,进前,测试集,召回率,mAP,检测精度,百分点,YOLOv4,定位能力
AB值：
0.254049
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
