论文部分内容阅读
随着高分辨率卫星和无人机技术的快速发展以及成像技术的进步,航拍光学遥感图像数据的规模和质量都得到了较大提升,如何快速、准确地处理海量高分辨率遥感图像数据,成为了当前遥感图像目标检测的研究重点。当前,基于深度学习的目标检测算法在自然图像上取得了不错的检测效果。但是,遥感图像相比于自然图像存在明显差异,在同一类别目标间尺度变化大,目标物体数量多且分布密集,将现有深度学习目标检测算法直接用于遥感技术领域存在亟需解决的难题。为了更好地实现遥感图像目标检测,本文做了如下研究工作:(1)提出了一种改进的SSD算法。借鉴特征金字塔网络(FPN)融合高低语义信息的思想,增强浅层特征图的语义信息和深层特征图的位置信息,改进SSD算法中多尺度特征融合的方法,使用通用交并比(GIoU)损失函数权衡预测框与真实框间的距离,解决交并比(IoU)损失函数在这两个框没有重叠时无法优化的问题。在公开遥感图像数据集DIOR上的实验结果表明,本文改进的SSD算法相比原SSD算法类平均检测精度([email protected])提升了 2.5%达到了 61.1%。(2)针对遥感图像小尺度目标物体检测效果不佳的问题,构建了基于三种不同深度的YOLOv5的遥感图像目标检测模型。YOLOv5算法使用类似路径聚合网络(PANet)的结构,缩短了浅层特征与深层特征信息传播的路径,更好的利用了浅层特征中详细的位置信息。骨干网络中还设计了多个跨局部连接的结构,在轻量化模型的同时保证了精度。YOLOv5s、YOLOv5m 和 YOLOv51 模型在 DIOR 数据集上的 [email protected] 分别为 65.4%、69.8%和 71.2%。(3)提出了一种改进YOLOv5模型的方法。在骨干网络中引入通道注意力机制层,强化了特征图目标信息与重要通道间的相关性表达,使用FReLU激活函数提升了网络对不规则目标对象的解析能力,进一步提高光学遥感图像目标检测精度。通过多个实验对比,本文改进的 YOLOv5s-SE-FReLU 模型比 YOLOv5s 模型的 [email protected]、[email protected]:0.95 分别提升了 1.8%和2.4%。(4)简化了基于YOLOv5的遥感图像目标检测模型,使用NCNN框架完成了安卓移动端的模型部署,实现了从理论到模型设计再到实际应用的全过程。