基于YOLOv5的卫星遥感图像滑窗目标检测

摘要：

在大面积图像中检测小物体是卫星图像分析中的主要问题之一.基于深度学习的目标检测已经比较成熟,从传统的基于手工特征提取到现阶段的深度学习,性能获得了大幅度的提升.但直接将这些方法过渡到遥感图像并非易事.挑战之一是每张图像具有超大的图像尺寸和覆盖面积:一张DigitalGlobe卫星图像的面积超过64km2,超过2.5亿像素.另外,方向变化大和待检测目标过小,这引起了小目标目标紧凑问题,这使传统的计算机视觉技术复杂化.针对这些问题,论文提出了一种基于改进的YOLOv5的大图像滑窗目标检测方法,在比较成熟的YOLOv5的基础上,增添注意力模块,提升对于小目标的细粒度特征的提取.在模型的先验知识方面,论文使用K-means聚类方法生成针对大尺寸图像相符的锚框,并通过获取的锚框大小确定滑窗大小,通过滑窗的方式实现遥感图像目标检测.实验结果表明,对于测试实验中的大尺寸图像,该模型在比较快的推理速度下,各个种类都可以得到比较高的F1定位分数.

关键词：遥感图像目标检测、YOLOv5、注意力机制、k-means聚类算法

所属期刊栏目：43

分类号：TP751;TP391.4(遥感技术)

资助基金：国防预研资金项目

在线出版日期：2023-05-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：41-46