基于改进YOLOv5s的CNN-Swin Transformer森林野生动物图像目标检测算法.pdfVIP

第60卷第3期林业科学Vol.60，No.3

2024年3月SCIENTIASILVAESINICAEMar.，2024

doi：10.11707/j.1001-7488.LYK

基于改进YOLOv5s的CNN-SwinTransformer森林野生

动物图像目标检测算法*

杨文翰刘天宇周俊池胡文武蒋蘋

（湖南农业大学机电工程学院长沙410128）

摘要：【目的】为提高野生动物在复杂森林环境中的检测精度，促进森林野生动物保护技术发展，提出一种基

于YOLOv5s网络模型、针对陷阱相机所摄取森林野生动物图像的改进检测算法。【方法】以包含湖南壶瓶山国

家级自然保护区几种典型森林野生动物在内的数据集为研究对象，首先，对真实标注框图像进行裁剪、归一化和

缩放处理，随机将2~4张裁剪图像拼贴组成新的数据集元素，以丰富和增强数据集图像信息；其次，使用一种基于

通道注意力思想的加权通道拼接方法，在通道拼接时引入权重改变通道数量，通过反向传播训练方法不断更新权

重以增加重要特征信息的通道层数；接着，引入SwinTransformer模块与CNN网络相结合，为卷积神经网络特征提

取加入自注意力机制，融合2种网络特征提取层的优势，提高特征提取的感受野；最后，选择更优的α-DIoU损失函

数替代GIoU损失函数，针对边界框重叠面积和中心点距离造成的损失，引入新的几何因素惩罚项。【结果】在相

同试验条件和数据集下，相比原YOLOv5s网络模型，改进算法极大提高检测的平均准确率和平均回归率，均值平

均精度由74.1%提升至88.4%，获得14.3%的精度提升，同时也超过YOLOv3、YOLOXs、RetinaNet、FasterR-CNN等

其他流行目标检测算法。【结论】针对陷阱相机所摄取森林野生动物图像背景与目标对比度低、遮挡重叠严重，

致使检测误检率、漏检率高等问题，在检测算法中提出一系列改进措施，为我国森林野生动物的保护和数据获取

提供一种新的可行性方案和思路。

关键词：森林野生动物；检测算法；YOLOv5s；SwinTransformer；网络融合

中图分类号：S718.65;TP391.4文献标识码：A文章编号：1001−7488(2024)03−0121−10

CNN-SwinTransformerDetectionAlgorithmofForestWildlifeImages

BasedonImprovedYOLOv5s

YangWenhanLiuTianyuZhouJunchiHuWenwuJiangPing

（CollegeofMechanicalandElectricalEngineering,HunanAgriculturalUniversityChangsha410128）

Abstract：【Objective】Toimprovethedetectionaccuracyofwildlifeincomplexforestenvironmentsandadvancethe

developmentofforestwildlifeconservationtechnology,animprov