基于改进YOLOv5的低光照图像目标检测

针对低光照环境下现有的目标检测算法普遍存在检测精度较低的问题，提出一种改进YOLOv5的双通道低光照图像目标检测算法（YOLOv5＿DC）。首先，通过伽马变换和叠加高斯噪声的方法合成低光照图像，扩充数据集，提高模型的泛化能力；其次，提出特征增强模块，引入通道注意力机制，融合增强图像和原始图像的低级特征，抑制噪声特征的影响，改善网络的特征提取能力；最后，在颈部网络中加入特征定位模块，增加特征图在目标区域的响应值，使网络更关注目标区域，提高网络的检测能力。实验结果表明：所提YOLOv5＿DC算法实现了更高的检测精度，在低光照图像目标检测数据集ExDark*上的平均精度均值（mAP）@0.5达71.85%，较原始的YOLOv5算法，提高了1.28个百分点。     

基于自适应特征增强的小目标检测网络

由于尺寸有限、外观和几何线索较少以及缺少大规模小目标数据集，从图像中检测小目标仍然是计算机视觉领域中一个具有挑战性的难题。针对这个问题，提出一种自适应特征增强的目标检测网络（YOLO-AFENet）来改善小目标的检测精度。首先，通过引入特征融合因子，设计改进的自适应双向特征融合模块，充分利用各个尺度的特征图，提高网络的特征表达能力；其次，结合网络自身的特点，提出空间注意力生成模块，通过学习图像中感兴趣区域的位置信息以提高网络的特征定位能力。在UAVDT数据集上实验结果表明：所提YOLO-AFENet的平均精度（AP）比改进前的YOLOv5提高了6.3个百分点，同时也优于其他目标检测网络。