结合旋转框和注意力机制的轻量遥感图像检测模型

摘要：

目的 遥感图像目标检测在国防安全、智能监测等领域扮演着重要的角色.面对遥感图像中排列密集且方向任意分布的目标,传统水平框目标检测不能实现精细定位,大型和超大型的目标检测网络虽然有强大表征学习能力,但是忽略了模型准确率与计算量、参数量之间的性价比,也满足不了实时检测的要求,庞大的参数量和计算量在模型部署上也非常受限,针对以上问题,设计了一种轻量级的旋转框遥感图像目标检测模型(YOLO-RMV4).方法 对原MobileNetv3网络进行改进,在特征提取网络中加入性能更好的通道注意力机制模块(efficient channel attention,ECA),并且对网络规模进行适当扩展,同时加入路径聚合网络(path aggregation network,PANet),对主干网络提取特征进行多尺度融合,为网络提供更丰富可靠的目标特征.网络检测头中则采用多尺度检测技术,来应对不同尺寸的目标物体,检测头中的角度预测加入了环形圆滑标签(circular smooth label,CSL),将角度回归问题转换为分类问题,从而使预测角度和真实角度之间的距离可以衡量.结果 将提出的检测模型在制备的AVSP(aerial images of vehicle ship and plane)数据集上进行实验验证,并对主流的7种轻量级网络模型进行了对比实验,相比RYOLOv5l,该模型大小(5.3 MB)仅为RYOLOv5l(45.3MB)的1/8,平均精度均值(meanaverage precision,mAP)提高了1.2％,平均召回率(average recall,AR)提高了1.6％.并且mAP和AR均远高于其他的轻量级网络模型.同时也对各个改进模块进行了消融实验,验证了不同模块对模型性能的提升程度.结论 本文提出的模型在轻量的网络结构下辅以多尺度融合和旋转框检测,使该模型在极有限参数量下实现实时推理和高精度检测.

关键词：深度学习、旋转框检测、轻量级、注意力机制、多尺度融合、遥感图像

所属期刊栏目：28

分类号：TN951

在线出版日期：2023-10-20（万方平台首次上网日期，不代表论文的发表时间）

页数：共13页

页码：2706-2718