多重金字塔的轻量化遥感车辆小目标检测算法

针对遥感车辆检测任务中存在目标尺寸小、背景复杂等问题,提出一种基于多重金字塔和多尺度注意力的轻量级YOLOv5算法。在主干网络中减少下采样次数,提高小目标检测能力,实现轻量化;在颈部中通过重新设计的多重金字塔网络,充分利用不同特征层的信息,增强特征融合能力,并引入改进的多尺度注意力模块,为浅层特征图获得更大的感受野和感兴趣区域;最后使用K-means++聚类算法对目标尺寸进行聚类分析,设计出适合目标的锚框尺度和宽高比。在自建遥感车辆数据集中不仅提升了目标检测精度,而且大大降低参数量。与YOLOv5s相比较,AP_(0.5)%提高了2.3%、AP_(0.5:0.75)%提高了4.3%;参数量降低了65%、模型大小减少了60%。在轻量化的同时有效地提高了小目标的检测精度。

一种遥感图像车辆检测方法

针对常用的遥感图像车辆检测方法稳定性和效率较差的问题,本文提出一种改进YOLO-V5遥感图像车辆检测方法。首先,使用群归一化层替换YOLO-V5中的归一化层,消除训练数据大小对模型的影响,降低模型训练对显卡显存的需求,增加模型收敛速度;然后,使软非极大值抑制算法选择车辆目标锚框,可更精确地定位车辆,防止因遮挡漏检车辆。由实验可知:相比原YOLO-V5模型的各类别平均精确度提高了1.53%,帧率提高0.83,表明所提方法稳定性更好、检测效率更高,可应用于遥感图像汽车检测领域。