融合YOLOX和ASFF的高原山地灾害检测模型

YOLOX 是全球首个一阶无锚框目标检测模型，超越了 YOLO‐V（3‐5）和 SSD 等传统锚框模型，极大提高了山地灾害检测识别精度。然而，该模型存在不同尺度之间特征不一致的问题，融合后的特征图质量有待提升。以西藏高原山地灾害重灾区为试验区，在建立了西藏高原山地灾害数据集的基础上，通过融合 Adaptively Spatial Fea‐ ture Fusion（ASFF）注意力机制和骨干网络尺寸调整机制，设计了一个优化的、不同适用性的高原山地灾害检测模型（Plateau mountain disaster detection model，PMDDM）。为验证 PMDDM 模型的优越性，将其与传统 YOLOX 模型、不同注意力机制、不同目标检测模型进行了对比分析，并且对不同尺度模型的检测性能和可视化结果也进行了对比分析研究。结果表明：ASFF 注意力机制可以有效的解决传统 YOLOX 模型中存在的不同尺度特征间的特征不一致问题，且对模型检测性能提升明显优于 SE、CBAM、ECA、GAM 和 Coord 等注意力机制；PMDDM 模型对山地灾害的检测精度优于 Faster‐RCNN、SSD 和 YOLO‐V3 模型，可以满足不同工作场景对硬件配置、检测速度和精度的需求，且模型尺度越大，识别目标的准确率越高。