文档详情

基于多尺度特征融合的遥感图像目标检测方法研究.pdf

发布:2025-04-26约11.57万字共81页下载文档
文本预览下载声明

基于多尺度特征融合的遥感图像目标检测方法研究

摘要

遥感图像目标检测是指利用计算机视觉和人工智能技术,对遥感图像中的目标进行

识别和定位的过程。由于遥感图像覆盖的广阔地理区域,图像中通常同时包含着小型目

标和大型目标,这种多尺度的目标问题给检测任务带来了巨大的挑战。在多尺度目标问

题中,大尺寸的目标由于尺寸较大、特征丰富,通常来讲较为容易检测。而小目标由于

其尺寸较小,可利用的特征有限,这使得其检测较为困难。当前的目标检测算法对于小

目标来说并不友好,所以在解决目标多尺度问题时通常首先要解决小目标问题。因此,

本文在YOLOv7基线算法之上,针对小目标和目标多尺度问题提出了相应的改进,旨在

提升遥感图像目标检测的效果,具体改进如下:

(1)针对遥感图像目标检测中小目标检测精度低的问题,本文以YOLOv7作为基

线算法提出YOLOv7-AMS改进算法。首先在原有输出特征图尺度不变的条件下新增小

目标检测层,提高网络对于小目标的检测能力。其次,在头部网络的ELAN-W模块中

使用ACmix注意力机制替换掉CBS模块,在减少参数量的同时帮助模型更加关注小目

标的位置和特征。另外,使用MPDIoU定位损失更好地指导模型生成准确且不冗余的预

测边界框,加快收敛速度并帮助模型更准确地定位小目标。最后在分类损失中引入Slide

权重函数,为小目标这样的困难样本分配更高的权重,使模型充分学习和优化这类样本,

进而提高小目标的检测精度。实验结果表明,改进算法YOLOv7-AMS在公开遥感数据

集RSOD、NWPUVHR-10和DIOR上的mAP分别提升了4%、3.4%和0.2%,小目标指

标AP分别提升了2.7%、3.4%和2.2%,证明了本文所提出的改进算法能够有效提高遥

s

感图像小目标的检测精度。

(2)由于DIOR数据集目标尺度变化较大导致YOLOv7-AMS改进算法在DIOR数

据集上整体精度提升微弱的问题,本文针对遥感图像目标多尺度的问题进行改进。首先

以YOLOv7-AMS算法为基础,在研究多尺度问题时保证小目标的检测精度,同时提出

多尺度下采样模块,扩大网络感受野提取不同尺度的目标特征,并引入深度可分离卷积

降低计算量和参数量。其次在头部网络之前采用显示视觉中心EVC模块,有效捕捉目

标与其周围环境之间的关联性和上下文信息,并获取更加高级的特征信息提升检测精度。

最后针对前两个模块带来的运算速度慢问题,对YOLOv7中的SPPCSPC模块进行轻量

化处理,用三个相同的小池化核的池化层代替三个较大的池化核的池化层,以此来提升

网络训练速度。实验结果表明,所提算法在DIOR数据集和DOTA-v1.0数据集上获得了

哈尔滨工程大学专业学位硕士学位论文

2.6%和1.7%的mAP的提升,体现了本文算法在遥感图像目标多尺度问题上的有效性。

关键词:遥感图像;小目标;多尺度目标;目标检测;YOLOv7

基于多尺度特征融合的遥感图像目标检测方法研究

Abstract

Objectdetectioninremotesensingimagesisaprocessofidentifyingandlocatingobjects

inremotesensingimagesbyusingcomputervisionandartificialintelligencetechnology.Due

tothevastgeographicalareacoveredbyremotesensingimages,theimagesusuallycontain

bothsmallandl

显示全部
相似文档