改进YOLOv5的无人机影像道路目标检测算法（英文）

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题，提出一种多尺度融合卷积注意力模块（Convolutional block attention module, CBAM）的YOLOv5道路目标检测算法，即YOLOv5s-FCC。首先，引入小目标感知层对模型进行多尺度改进，增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次，利用CBAM融合空间和通道信息以增强网络中的重要信息，通过将CBAM引入Backbone主干网络不同位置，以获得CBAM最佳融合位置。最后，采用CIo U作为损失函数，以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练，结果表明，相较YOLOv5算法，YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性，并建立了基于无人机的道路目标检测系统，实现道路目标的自动检测。