基于改进的YOLOV5遥感图像目标检测

摘要

随着遥感卫星和航空飞行器的快速发展，遥感图像技术在道路交通检测、自然环境监控等方向中起着至关重要的作用。其中，被广泛用于对遥感图像目标的位置和类别进行识别的技术主要是遥感图像目标检测方法。但是，由于遥感图像在拍摄时的时间和角度不同等因素，使得拍摄同一自然场景图像的不同遥感图像存在一定的不同，这为目标检测工作带来了难题，并且遥感图像本身具有的背景复杂、目标小且聚集的特点，也导致了目标存在误检、漏检的情况。因此，为了提高YOLOv5算法模型对遥感图像的检测精度和检测速度等性能，本文通过查阅与YOLOv5相关文献，了解基于YOLOv5的遥感图像目标检测的发展和存在的不足，对使用YOLOv5进行遥感图像目标检测提出添加小目标层、采用双注意力机制、改进双向特征网络的改进方案，具体内容如下：

（1）由于遥感图像中的小目标分辨率较低，容易出现漏检、误检等情况，因此在模型中加入针对小目标的预测层，使得实验中飞机、油桶类别的召回率分别提升3.4%、0.3%，降低漏检概率。

（2）由于遥感图像中存在图像噪声和复杂背景的问题，包含大量无用信息，本文通过在算法Neck层添加CoordAtt注意力机制，使模型更加注重关键特征信息，使神经网络获得更加丰富的特征信息，使得目标检测精确率、召回率、平均检测精度分别提升0.4%、1.6%、2.6%，且提升了算法的检测速率。

（3）由于小目标特征信息较少，可识别度较低，结合BiFPN模型对YOLOv5算法进行改进，加入了自下而上的特征融合路径，增强不同网络层之间的信息传递，使网络能够融合更多特征，减少特征信息丢失。

关键词：YOLOV5遥感图像目标检测双注意力机制BifPN双向特征网络

目录

1前言1

1.1研究背景及意义1

1.2国内外研究现状1

1.2.1传统的遥感图像目标检测方法1

1.2.2基于深度学习的遥感图像目标检测方法2

1.3遥感图像目标检测问题分析3

1.4主要研究内容4

1.5论文组织结构5

2相关基础理论5

2.1卷积神经网络的结构5

2.2基于卷积神经网络的目标检测算法8

2.2.1两阶段目标检测方法8

2.2.2单阶段目标检测方法目标检测算法8

2.3 YOLO系列算法9

2.4轻量化神经网络10

3基于YOLOv5遥感图像目标检测10

3.1 YOLOV5算法结构10

3.2输入层11

3.3 Backbone层12

3.4 Neck层14

3.5 Head层14

4基于YOLOv5遥感图像目标检测的网络结构改进15

4.1双注意力机制15

4.1.1添加CBAM注意力机制15

4.1.2添加CoordAtt注意力机制16

4.2多尺度策略17

4.2.1基于BiFPN加权双向特征金字塔网络17

4.2.2添加小目标预测层17

5实验验证与分析18

5.1实验数据集18

5.1.1 RSOD数据集18

5.1.2数据集预处理20

5.2实验结果与分析20

5.2.1实验环境和实验平台介绍20

5.2.2评价指标21

5.2.3训练参数设置21

5.2.4改进的YOLOv5系列网络性能分析24

6总结与展望33

6.1全文工作总结33

6.2展望33

参考文献34

附录36

附录1添加小目标预测层主要代码36

附录2结合BifPN改进网络结构主要代码37

附录3添加CA注意力机制主要代码39

附录4添加CBAM注意力机制主要代码40

附录5添加CA注意力机制和结合BifPN改进网络结构主要代码42

附录6添加CA、CBAM注意力机制和结合BifPN改进网络结构主要代码44

附录7 CA注意力机制模块主要代码45

附录8 CBAM注意力机制模块主要代码47

附录9 BifPN模块主要代码48

致谢50

付费下载全文，基于改进的YOLOV5遥感图像目标检测

价格 ¥9.90 发布时间 2023年12月30日

下载查看全文内容

已付费？登录 或 刷新