改进感受野模块的YOLOv5在无人机视角下微小车辆检测
摘要
随着无人机技术的快速发展，基于无人机平台的目标检测技术在军事侦察、交通监控、城市规划等领域具有广泛应用前景。然而，无人机视角下的车辆检测面临诸多挑战：目标尺寸小（通常仅有几十个像素）、背景复杂、视角变化大、光照条件多变等。传统的目标检测算法难以有效提取微小目标的特征，导致检测精度低、漏检率高。
本文针对上述问题，提出一种改进感受野模块的YOLOv5微小车辆检测算法。通过设计多尺度感受野增强模块（MSRFEM），结合空洞卷积和注意力机制，有效扩大了模型的感受野，增强了特征提取能力。同时，引入特征金字塔增强模块（FPEM）优化多尺度特征融合，提升了微小目标的检测性能。实验结果表明，改进后的算法在无人机视角车辆检测数据集上取得了显著的效果提升，mAP达到87.6%，相比原始YOLOv5提高了5.3个百分点。
1. 引言
1.1 研究背景
无人机（Unmanned Aerial Vehicle, UAV）作为一种新兴的空中平台，具有机动灵活、成本低、视野广等优势，已被广泛应用于各类视觉任务中。其中，基于无人机平台的目标检测技术尤为关键，在智慧城市、交通流量监测、应急救援等领域发挥着重要作用。
然而，无人机视角下的目标检测与传统的地面视角检测有着显著差异。无人机通常在数百米高空拍摄，导致图像中的目标尺寸极小，尤其是在车辆检测任务中，一辆普通轿车可能仅占图像几十甚至十几个像素。这种微小目标的检测给深度学习算法带来了巨大挑战。
1.2 研究意义
提升无人机视角下微小车辆的检测精度具有重要的理论和应用价值：
交通流量监测：实时统计道路车辆数量，分析交通拥堵状况，为智