基于改进YOLOX的遥感图像目标检测方法研究.pdf

基于改进YOLOX的遥感图像目标检测方法研究

摘要

随着航天技术和遥感技术的发展，遥感图像解译对于城市规划、土地利用、海情监

测等方面的发展具有重要促进作用。遥感图像通常包含丰富的背景信息，且目标种类和

数量较多、目标角度多变，目前对于多尺度、多角度的目标检测技术仍有欠缺。因此，

如何在复杂背景下快速准确地检测出遥感图像中包含的多尺度目标成为遥感图像解译

的关键。为解决上述问题，本文通过研究基于深度学习技术改进的遥感图像目标检测方

法，提出基于多尺度特征提取的具有目标特征增强和旋转角度指导的遥感图像目标检测

算法，主要研究内容如下。

首先，本文提出基于YOLOX改进算法（YOLOX-OD），设计目标关联模块（ORM）

以改善遥感图像中小目标检测困难的问题。该模块针对多尺度通道特征并行提取得到对

应特征层的具有大感受野的目标特征和小感受野的目标特征，接着使用多头自注意力机

制分别学习小感受野特征同全局轮廓信息的关联度、以及大感受野特征同全局细节信息

的关联度，利用加权平均平衡两类关联度权重对目标特征的影响，最后得到增强后的目

标特征。为进一步优化遥感图像目标检测器的检测效果，本文针对检测头解耦任务不交

互问题，提出一种互注意力机制（DHAI），通过计算分类和定位两个子任务的共享特征

层在空间和通道方向上的权重矩阵，分别为两个子任务加权，实现检测效果的提升。第

二，针对目标角度多变问题，本文基于YOLOX-OD提出旋转检测器（YOLOX-ODK），

在神经网络检测头部分增加角度参数，使用相对散度作为模型回归部分的损失函数，耦

合优化目标框的参数，实现对小目标和长宽比较高的目标更高的检测精度。

本文提出基于特征增强的遥感图像多尺度目标检测模型YOLOX-OD和基于旋转指

导的遥感图像多角度目标检测模型YOLOX-ODK，提升了遥感图像目标检测器对目标特

征的捕捉能力以及检测性能。实验表明，在DOTA水平检测数据集上，YOLOX-OD模

型达到了69.60%的平均均值精度。在DOTA旋转检测数据集上，YOLOX-ODK模型达

到了72.68%的平均均值精度。相比于YOLOX，YOLOX-OD模型在小目标检测性能上

提升4.9%，总体检测性能提升4.28%。此外，YOLOX-ODK在YOLOX-OD基础上进一

步提升3.08%的性能，实现了更精确的遥感目标检测。

关键词：遥感图像；目标检测；YOLOX；注意力机制；旋转框检测

基于改进YOLOX的遥感图像目标检测方法研究

Abstract

Withthedevelopmentofspacetechnologyandremotesensingtechnology,remotesensing

imageinterpretationplaysanimportantroleinpromotingthedevelopmentofmissilewarning,

cityplanning,landuse,seasituationmonitoringandsoon.Asakeycomponentofremote

sensingimageinterpretation,remotesensingimagetargetdetectiontechnologyhasbecomea

researchhotspot.However,remotesensingimagesusuallycontainrichbackgroundinformation,

andthetypesandquantitiesoftargetsarelarge,andtheanglesoftargetsarechangeable.Sofar,

themulti-scaleandmulti-angletargetdetectiontechnologyisstilllacking.Therefore,howto

quicklyandaccuratelydetectmulti-scaleobjectsinremotesens