基于航拍图像的小目标检测算法研究.pdf

基于航拍图像的小目标检测算法研究

摘要

高性能的目标检测的模型可以在无人参与的情况下对图像中的待检测目标进行精

准的定位与识别。与人为对图像中的对象进行标记和分类的方式相比，性能优异的检测

模型不仅具有更高的检测精度，还能够降低人力物力财力等资源的损耗。因此，基于航

拍图像的目标检测技术无论是在电力巡检、救灾抢险等民生民计的保障计划中，还是在

涉及到敌情侦察、精准制导等任务的军事领域中都具有着重大的应用价值。然而，航拍

图像质量极易受到天气影响、图像场景信息过于复杂、小目标在待检测目标中占据极大

的比例等因素导致了当前主流的目标检测模型直接应用在航拍图像中常常效果不佳。基

于此，本文对航拍图像检测的难点进行多方面分析研究从而有针对性的设计了一种的性

能优良的目标检测算法。本文的主体工作包括以下几个方面：

首先，搭建了图像去雾子模块用于在进行检测任务之前重建图像来尽可能地保留图

像中的关键特征并剔除冗余信息。该模块首先通过进行了结构重参数化的浅层特征提取

网络进行基本特征的提取，这不仅提升了特征提取的速度，还保证了提取到的特征图的

质量。随后，又以Dehaze-Swin-Transformer和局部感知模块为核心来对提取到的特征进

行编码，这使模型既能够充分感知特征图的局部信息，又具有捕获长程依赖的能力。接

着，在对编码的模块进行解码的同时采用U型架构并利用K邻域通道注意力机制将编

码的特征图与解码的特征图相融合。最后，将融合后的特征图送入图像重建层进行清晰

图像的生成。

其次，对目标检测的各个阶段进行了改良。本模块首先设计了FESwin来代替CNN

进行特征提取，该骨干网络将CNN和Swin-Transformer进行了聚合，它通过自注意力

捕获视觉依赖并同时利用局部空间信息和单点通道信息进行特征融合，显著提升了特征

信息的表达能力。其次，对传统的FPN特征融合架构进行了改进，在进行特征整合前分

别利用空间注意力模块和坐标注意力模块对不同特征图的信息进行处理，由此可以保证

融合后的特征图同时具有检测所需要的语义信息和位置信息。随后，将目标检测头进行

解耦并对解耦后的检测头进行卷积处理，在轻微提升计算量的基础上改善目标检测的精

度。最后，又以设计了一种基于密度的非极大值抑制方法对预测框进行后处理，通过对

错误检框进行抑制来进一步优化目标检测的结果。

此外，进行了一系列实验来验证模型的有效性。本部分首先对模型的损失函数进行

设计并以现有的图像去雾数据集和航拍图像目标检测数据集为基础构建用于本文模型

训练的两大数据集。随后，分别针对图像去雾子模块和整个目标检测模型设计了一系列

的实验，通过对实验结果进行详尽分析和对模型处理后的图像效果进行展示来直观的呈

现本文模型的优异性能。

关键词：小目标检测；航拍图像；自注意力；Transformer

哈尔滨工程大学硕士学位论文

ABSTRACT

Thehigh-performancetargetdetectionmodelcanaccuratelylocateandidentifythetarget

tobedetectedintheimagewithouthumanparticipation.Comparedwiththewayofmanually

markingandclassifyingobjectsintheimage,thedetectionmodelwithexcellentperformance

notonlyhashigherdetectionaccuracy,butalsocanreducethelossofresourcessuchashuman,

materialandfinancialresources.Therefore,thetargetdetectiontechnologybasedonaerial

imageshasgreatapplicationvaluewhetheritisintheprotectionplanofpeopleslivel