基于改进Double-Head RCNN的无人机航拍图像小目标检测算法

为解决无人机航拍图像中小目标特征信息少且容易被噪声干扰导致现有算法漏检率和误检率高的问题,提出一种改进Double-Head Region-卷积神经网络（RCNN）的无人机航拍图像小目标检测算法。在骨干网络ResNet-50上引入Transformer和可变形卷积（DCN）模块,更有效提取小目标特征信息和语义信息;提出一种基于内容感知特征重组（CARAFE）的特征金字塔网络（FPN）结构模块,解决特征融合过程中小目标被背景噪声干扰而丢失特征信息的问题;在区域建议网络中针对小目标尺度分布特点重新设置Anchor生成尺度,进一步提升小目标检测性能。在VisDrone-DET2021数据集上的实验结果表明：所提算法能提取更具有表征能力的小目标特征信息和语义信息,对比Double-Head RCNN算法,所提算法的参数量增加了9.73×10～6,FPS损失了0.6,但是AP、AP50和AP75分别提升了2.6%、6.2%和2.1%,APs提升了3.1%。