基于改进YOLOv8的遥感影像小目标检测研究

遥感影像中的小目标在遥感影像中像素占比较小,传统的遥感影像小目标检测方法经常出现漏检错检的情况。本文提出一种基于YOLOv8模型的改进算法,在YOLOv8骨干网络中使用更加轻量的鬼影混洗卷积(ghost-shuffle convolution, GSConv),并通过Slim-neck设计范式优化网络结构,提高网络性能。在特征推理过程中,使用切片辅助超推理库来加强对小目标的检测,减少漏检情况的发生。针对改进后的模型,在DOTAv1.0数据集上进行试验验证,其准确率与YOLOv8相比提升了3.1个百分点,召回率相比于YOLOv8提升3.9个百分点,mAP50及mAP50-95分别为0.713和0.479。模型的参数量减少15.6%,改进后的模型在遥感影像小目标的检测中效果得到提升。