基于改进YOLOv7的遥感图像小目标检测方法

针对遥感图像中小目标数量众多且背景复杂所导致的识别精度低的问题,提出了一种改进的遥感图像小目标检测方法。该方法基于改进的YOLOv7网络模型,将双级路由注意力机制加入至下采样阶段以构建针对小目标的特征提取模块MP-ATT(max pooling-attention),使得模型更加关注小目标的特征,提高小目标检测精度。为了加强对小目标的细节感知能力,使用DCNv3(deformable convolution network v3)替换骨干网络中的二维卷积,以此构建新的层聚合模块ELAN-D。为网络设计新的小目标检测层以获取更精细的特征信息,从而提升模型的鲁棒性。同时使用MPDIoU(minimum point distance based IoU)替换原模型中的CIoU来优化损失函数,以适应遥感图像的尺度变化。实验表明,所提出的方法在DOTA-v1.0数据集上取得了良好效果,准确率、召回率和平均准确率(mean average precision,mAP)相比原模型分别提升了0.4、4.0、2.3个百分点,证明了该方法能够有效提升遥感图像中小目标的检测效果。

基于改进YOLOv5的遥感图像目标检测

目前目标检测技术虽然已经趋于成熟,但是对遥感图像的检测仍存在不少挑战。针对遥感图像的背景复杂、目标尺度差异大、目标方向任意等特点造成目标检测精度低下的问题,提出一种基于改进YOLOv5的遥感图像目标检测算法。首先,构建一种联合注意力的多尺度特征增强网络,充分融合高低层特征,使特征层具有语义信息的同时包含丰富的细节信息,并在融合过程中利用设计的特征聚焦模块帮助模型选择关键特征,抑制无关信息。其次,使用感受野模块(RFB)对融合后的特征图进行更新,扩大特征图的感受野,减少特征信息损失。最后,对目标增加旋转角度,并采用圆形平滑标签将回归问题转化成分类问题,提高遥感目标定位的准确性。在用于航拍图像目标检测的大规模数据集(DOTA)上的实验结果表明,与YOLOv5算法相比,所提算法的交并比(Io U)为0.5和0.5~0.95时的平均精度均值(m AP@0.5和m AP@0.5∶0.95)分别提高了7.3和3.3个百分点,能够明显提高复杂背景下遥感图像目标的检测精度,并改善对遥感目标的漏检和误检情况。

基于向量叉乘标签分配的遥感图像目标检测算法

近年来遥感图像目标检测受到了广泛的关注,主流的遥感图像目标检测器通过预设锚框与真实框之间的交并比(IoU)进行正负样本的划分。为了解决基于IoU的标签分配方法在遥感图像小而密集目标中存在复检和漏检的问题,本文提出了一种基于向量叉乘标签分配的遥感图像目标检测算法YOLOXR。首先,提出了一种标签粗分配策略,通过向量叉乘的方法判断特征图的像素点是否在旋转目标内或者目标中心点附近的旋转正方形框内,从而确定其是否为候选正样本。其次,为了降低边缘低质量候选正样本对标签分配的影响,提出了旋转中心度量方法,通过向量叉乘判断像素点距离中心点的远近程度进而赋予不同的权重。最后,基于最优传输的方法(sim OTA)选取真实框和样本点的最优匹配对,使得总体代价最小,进而为旋转目标分配合适的标签。此外,为了解决旋转IoU损失不可导以及Smooth L1损失难以权衡旋转框各个参数的问题,通过计算真实框和预测框二维高斯分布的Kullback-Leibler散度(KLD)来替代IoU。在公开的遥感图像目标检测数据DOTA、HRSC 2016和UCAS-AOD上的大量实验表明,所提方法优于目前绝大多数旋转目标检测算法。

改进YOLOv6的遥感图像目标检测算法

针对遥感图像背景复杂、目标普遍比较小且呈多尺度分布所导致的目标检测精度较低的问题,提出了一种改进YOLOv6的遥感图像目标检测算法。在骨干网络引入一种坐标注意力模块,以提高复杂背景下模型的特征提取能力和目标定位能力。提出一种上下文增强模块,使模型获取丰富的上下文信息,从而提升模型提取多尺度目标细节信息的能力。为了实现不同尺度特征的自适应融合,通过在颈网络引入一种自适应空间特征融合,提升了多尺度目标尤其是小目标的检测精度。将所提改进算法在遥感图像公开数据集DOTA-v1.0上进行训练并测试,实验结果表明,改进算法的收敛速度与收敛精度均优于原算法,其中AP值达到了54.6%,相比原算法提高了1.4个百分点,同时相比于一些其他目前先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性。

特征协同与细粒度感知的遥感图像小目标检测

针对遥感图像中小目标多、排列密集导致的漏检问题,提出一种特征协同与细粒度感知的遥感图像小目标检测算法。首先,构造精细特征协同策略,通过智能调整卷积核参数,优化了特征间的交互和整合过程;通过精确控制信息流,实现从粗糙到精细的渐进式特征精化。在此基础上,本文设计一个细粒度感知模块,将感知注意力与移动反向卷积结合形成一个增强型检测头,显著增强网络对于极小尺寸物体的感知能力。最后,为了提升模型训练的效率,采用MPDIoU和NWD作为回归损失函数,解决位置偏差,加快模型收敛。在DOTA1.0数据集和DOTA1.5数据集上的实验结果表明,改进后算法相比于基准方法,平均精度分别提高7.4%和6.1%,相较于其他算法具有明显优势,显著改善遥感图像中小目标的漏检情况。

改进YOLOv4的遥感图像目标检测算法

为有效解决遥感图像目标检测算法在复杂背景下的检测效果不佳的问题,提出一种改进YOLOv4的目标检测算法。设计一种跨阶段残差结构,替换原主干网络的简单残差结构,降低模型参数量和计算负担;引入CBAM注意力机制,加强CSP模块间有效特征交互;使用跨阶段分层卷积模块重构特征融合阶段对深层特征图的处理方式,防止网络退化和梯度消失;采用Mish激活函数,增强融合网络对非线性特征的提取能力。在RSOD、DIOR数据集上的实验结果表明,改进YOLOv4算法的测试mAP相比原YOLOv4算法分别高出4.5%、7.3%,其检测速度分别达到48 fps、45 fps,在保证实时性的同时检测精度有较大提升。

改进YOLOX的遥感图像目标检测算法

针对遥感图像目标检测算法复杂背景下目标检测精度低、小目标特征丢失的问题,提出一种改进YOLOX的遥感图像目标检测算法MYOLOX(modified YOLOX)。该算法在主干网络引入残差金字塔卷积模块(residual pyramid convolution module,RPCM)增强浅层特征图中的空间位置等细节信息,缓解下采样过程中的特征丢失。引入增强跨阶段局部块(improved cross stage partial block,ICSP)提取丰富的上下文信息并抑制噪声干扰,减少复杂背景及噪声干扰带来误检。将改进算法应用于使用DIOR数据集对NWPU VHR-10数据集扩充后数据集和SSDD数据集,MYOLOX算法检测平均精度均值(mean average precision,mAP)分别达到了80.8%和94.4%,较原算法提升了4.1和4.5个百分点。实验结果证明,改进后的算法能够明显提高遥感图像目标检测精度。

一种改进Oriented RepPoints的遥感图像有向目标检测

为解决Oriented RepPoints算法在遥感图像有向目标检测中因遥感图像背景干扰信息较多和目标尺度大小不一所导致的检测精度不高、易漏检误检等问题,提出一种改进Oriented RepPoints的遥感图像有向目标检测方法MA-RPDet(Mixed Attention RepPoints Detector).首先,采用了PVTv2作为主干网络,该网络利用线性空间缩减自注意力机制提取出更具局部连续性的特征图,并保持与卷积运算类似的线性复杂度.其次,在特征融合阶段设计了串联性混合注意力模块,进一步强化了重要特征,促进了多尺度特征的高效交互.最后,引入平滑GIoU损失函数对模型学习策略进行优化,提高了检测精度.在两个遥感图像目标检测数据集DOTA和HRSC2016上的实验结果表明,所提方法的检测精度mAP分别达到了77.19%和90.3%,均高于其他对比算法,证明了本文方法的有效性.

基于改进YOLOv8的遥感图像飞机目标检测研究

为解决遥感图像飞机目标检测时易出现检测精度低与漏检误检等问题,提出了一种基于YOLOv8算法的遥感图像飞机目标检测改进算法。首先,将坐标注意力机制模块嵌入卷积模块中,使其能提取复杂背景下的飞机小目标;然后,优化了检测头,去除了大的目标检测头,在提升小目标检测能力的同时减少算法的计算量;最后,使用WIoU作为改进的损失函数,以提高检测精度。实验表明,改进的YOLOv8算法能够有效提高飞机检测精度,可适用于遥感图像的飞机目标检测。

基于残差密集块的激光遥感图像中目标检测方法

为了提高对目标检测的效果,提出基于残差密集块的激光遥感图像中目标检测方法。首先,设计基于残差密集块的卷积神经网络,在设计ReLU激活函数并完成网络训练后,基于含噪激光遥感图像的初步特征提取结果,利用单个卷积展开卷积映射处理,抽取出潜在干净图像。然后,通过聚类处理的方式,得到激光遥感图像中车辆目标的显著图,再利用大律法,通过建立的特征比例关系的方式检测出其中的目标信息。实验结果表明,应用该方法有效滤除激光遥感图像中的噪声,并精准检测出激光遥感图像中的车辆目标。相比于3种传统方法,该方法检测结果均值误差的最小值仅为0.0156,说明该方法有效实现了设计预期。

双向多尺度特征融合的高效遥感图像车辆检测

针对遥感图像中车辆检测面临的背景复杂、多尺度差异和小目标难以检测等挑战,提出了一种基于双向多尺度特征融合的检测方法GEM_YOLO。该方法包括三个主要部分:设计了全局高效注意力模块作为特征提取器,实现轻量化和高效率的特征提取,以解决复杂背景下的目标检测问题;提出了双向多尺度特征融合网络作为特征融合器,采用自顶向下和自底向上的特征融合策略,有效促进不同层次特征之间的信息交互;应用基于注意力的动态检测头作为预测器,增强了对不同尺度、空间位置和任务的感知,进一步提升了目标检测的精度和鲁棒性。在公开数据集DIOR和DOTA上进行相关实验,该方法的平均精度均值达到92.4%和81.4%,显著优于其他主流检测方法,同时具有更少的参数量和计算量,为遥感图像检测领域中的车辆检测提供了一种高效解决方案。

融合FEB的YOLOX遥感图像目标检测算法

针对遥感图像的复杂背景干扰大、目标尺度变化大以及小目标检测困难等导致检测精度降低的问题,提出一种增强YOLOX主干网络输出特征提取能力的检测算法。通过加入连续膨胀残差卷积和注意力机制,设计一种全新的提取主干网络输出特征增强块(feature enhance block,FEB),让连续膨胀残差卷积串联4个具有不同膨胀率的膨胀残差卷积,扩大算法的感受野,丰富上下文信息,同时减轻背景对检测的影响,有效加强算法对目标尺度变化大及小目标的检测能力,使用SA注意力机制抑制背景对算法检测的干扰,提高算法的检测精度。在RSOD数据集上的实验表明,FEB相较于其他同类型模块具有更好的特征提取能力。

基于区域掩码对比蒸馏的遥感图像目标检测

为解决遥感图像中存在背景干扰以及目标密集分布的问题,采用了一种以区域掩码对比蒸馏为基础的目标检测方法,旨在提高遥感图像目标检测性能.首先,通过对目标特征区域进行掩码操作,以区分前景和背景并捕捉目标的细节纹理,生成细致的特征掩码.其次,结合对比蒸馏算法,通过对教师网络和学生网络的区域掩码进行对比学习,使学生网络更加充分地吸收教师网络在目标特征纹理检测方面的知识.同时,在检测阶段引入了一种旋转定位损失算法,该算法通过量化真实边界框和预测边界框之间的格点向量差来进行损失估计,从而减小了预测边界框与真实边界框之间的旋转损失.结果表明,改进算法的均值平均精度在DOTA和HRSC2016数据集上分别较传统算法提高了3.57%和5.22%.

改进Faster R-CNN的遥感图像小目标检测算法

遥感图像目标检测是目标检测领域的一个关键问题,目前利用深度学习检测目标的算法大多在单向特征融合过程中添加注意力机制,一视同仁地去增强各类型的目标,并不能突出小目标。为了取得更好的检测效果,通过引入非对称高低层调制机制,构造兼顾低层细节信息和高层语义信息的特征图,以达到增强小目标特征检测的目的;同时使用DIoU损失函数代替原算法SmoothL1损失函数以提升算法检测精度与收敛速度;并且在感兴趣区域分类任务中引入灵活上下文信息以提高小目标分类准确性。实验结果表明,该算法在DIOR和NWPU VHR-10数据集上均取得了良好的表现。

基于改进YOLOv4算法的遥感图像飞机目标检测

针对在遥感图像上对飞机目标检测的精度低问题,论文通过对PANet特征融合网络结构的加深使得YOLOv4算法对小目标的检测更加敏感,进而提高算法的平均检测精度;另外,利用K-means++算法产生了能够自适应与数据集的检测先验框以减少YOLOv4检测算法对边界框回归损失计算过程中的冗余。在RSOD(Remote Sensing Object Detection)数据集上的对比实验表明,综合改进后的YOLOv4算法AP值达到了80.25%。特别地,改进后的YOLOv4算法对小目标检测的置信度得分较高。

基于DFECANet的遥感图像飞机目标检测方法

针对现有的遥感图像目标检测方法中对小尺寸飞机目标的检测精度不高、特征信息传递不准确、信息交互不充分等问题,提出了一种基于可辨别特征提取和上下文感知的遥感图像飞机目标检测方法。设计了以可辨别特征提取模块为主体的主干网络,用以加强对多尺度飞机目标的特征提取;引入自适应特征增强模块,选择性关注小目标、优化特征信息的传递与信息交互;并设计了特征融合上采样模块对特征图进行上采样操作,用以提升高层语义信息的准确性。在DOTAv1数据集上的检测精度达到了95.2%,相较于YOLOv5s、SCRDet、ASSD等主流算法,飞机目标的检测精度提高了3.7%~18%。此外,该方法的检测速度以及模型参数量分别为147 fps和13.4 M,相较于当前主流算法具备较强的竞争力,满足在遥感背景下对飞机目标的实时检测需求。

注意力特征融合的快速遥感图像目标检测算法

针对遥感图像背景复杂、小目标多、特征提取难等问题,提出了一种注意力特征融合的快速遥感图像目标检测算法——YOLO-Aff。该算法设计了一种带通道注意力的主干网络模块(ECALAN)以及模糊池(BP)模块来减小下采样带来的损失。此外,采用了一种无跨步卷积的特征金字塔网络(SPD-FPN)结合SimAM注意力特征融合模块(CBSA)来增强特征的跨尺度融合能力。最后,通过使用Wise-IoU作为网络的坐标损失来优化样本不均衡问题。实验结果表明,改进的YOLO-Aff算法在NWPU VHR-10数据集上的mAP值达到96%,较原算法mAP提高了2.9个百分点,为遥感图像的快速、高精度目标检测提供了新的解决方案。

基于深度学习的遥感图像旋转目标检测研究综述

由于遥感图像中的目标具有方向任意、分布密集和尺度差异大等特点,使得遥感图像目标检测成为一个颇具挑战性的难题。针对该难题,系统梳理了近三年来深度学习遥感图像旋转目标检测的相关工作。首先介绍旋转框的表示方法及其特点;然后按照特征提取网络、旋转锚框和候选框生成、标签分配及采样策略、损失函数四个方面对当前遥感图像旋转目标检测的现有方法进行分析;再对常用的遥感图像旋转目标数据集进行介绍,对比分析不同算法的性能;最后对遥感图像旋转目标检测进行了展望。

深度学习的遥感图像旋转目标检测综述

遥感图像中目标具有方向任意性和排列紧密性的特点,在检测任务中使用倾斜边界框可以更加精确定位和分离目标。目前遥感图像旋转目标检测已经广泛应用于民用和军事国防领域,具有重要的研究意义和应用价值,已逐步成为研究热点。鉴于此,对遥感图像中旋转目标检测方法进行了系统性总结。首先,介绍了三种常用的倾斜边界框的表示形式。其次,重点阐述全监督学习下的特征错位、边界不连续、度量值与损失不一致性、旋转目标定位四个挑战。然后,根据不同的动机和改进策略,详细阐述了每种方法的核心思想及其优缺点,归纳出旋转目标检测方法框架。接着,列举了旋转目标检测在遥感领域常用数据集,给出了经典方法在不同数据集上的实验结果,并对不同方法的性能进行了评估。最后,结合深度学习应用于遥感图像旋转目标检测任务中存在的挑战,对该方向的未来发展趋势进行了展望。

基于多模态交互引导网络的遥感图像密集车辆检测

遥感图像目标检测是大规模拥挤城市场景的风险评估和救援的技术基础,面临着光照干扰、遮挡、密集、拥挤等挑战。现有工作主要基于可见光单模态的遥感数据,对密集目标的特征表达及可分离能力受限。提出了一种面向遥感车辆检测的多模态交互引导网络,通过构建双流网络及多模态交互引导学习机制,显著提升密集车辆目标的可分离度,解决由于类间距离小、类内距离大,导致密集车辆的检测性能差的难题。在Potsdam公开数据集和DLR音乐节数据上的实验表明了该算法的鲁棒性和有效性。