文献类型：期刊文章

作　　者：刘涛[1,2] 丁雪妍[1,2] 张冰冰[3] 张建新[1,2]

LIU Tao;DING Xueyan;ZHANG Bingbing;ZHANG Jianxin(School of Computer Science and Engineering,Dalian Minzu University,Dalian,Liaoning 116600,China;Institute of Machine Intelligence and Biological Computing,Dalian Minzu University,Dalian,Liaoning 116600,China;School of Information and Communication Engineering,Dalian University of Technology,Dalian,Liaoning 116024,China)

机构地区：[1]大连民族大学计算机科学与工程学院,辽宁大连116600 [2]大连民族大学机器智能与生物计算研究所,辽宁大连116600 [3]大连理工大学信息与通信工程学院,辽宁大连116024

出　　处：《计算机工程与应用》

基　　金：国家自然科学基金(61972062);国家民委中青年英才培养计划项目。

年　　份：2023

卷　　号：59

期　　号：10

起止页码：253-261

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对YOLOv5在遥感图像目标检测中未能考虑到遥感图像背景复杂、检测目标较小且图像中目标语义信息占比过低导致的检测效果不佳和易出现误检漏检等问题,提出了一种改进YOLOv5的遥感图像目标检测方法。将轻量级的通道注意力机制引入到原始YOLOv5的特征提取和特征融合网络的C3模块中,以提升网络局部特征捕获与融合能力;强化对遥感图像的多尺度特征表达能力,通过增加一个融合浅层语义信息的细粒度检测层来提高对小目标的检测效果;使用Copy-Paste数据增强方法来丰富训练样本数量,在不增加模型计算量的情况下可进一步解决遥感图像背景信息占比过高而目标区域占比过低的问题。实验结果表明,改进YOLOv5在公开的DOTA和DIOR遥感图像数据集上mAP结果分别达到0.757和0.759。该方法较原始YOLOv5可提高0.017和0.059,相比于其他典型遥感目标检测方法在精度上也有所提升,证明了改进YOLOv5方法的有效性。

关 键 词：YOLOv5  遥感图像 目标检测 注意力机制  数据增强  

分 类 号：TP391]