融合GhostNet和Yolov5的遥感图像目标检测-谢轩.pdf
需积分: 0 39 浏览量
2023-06-13
15:14:01
上传
评论
收藏 1.64MB PDF 举报
第 ３０ 卷第 ３ 期
２０２３年 ６ 月
东 莞 理 工 学 院 学 报
ＪＯＵＲＮＡＬ ＯＦ ＤＯＮＧＧＵＡＮ ＵＮＩＶＥＲＳＩＴＹ ＯＦ ＴＥＣＨＮＯＬＯＧＹ
Ｖｏｌ．３０ Ｎｏ．３
Ｊｕｎ． ２０２３
收稿日期： ２０２２
－
１１
－
０５
作者简介： 谢轩 （２０００—）， 男， 湖南衡阳人， 硕士生， 主要从事目标检测、 遥感图像处理研究， Ｅｍａｉｌ： ｌｙｘｕａｎｘｉｅ＠ １６３. ｃｏｍ。
∗通讯作者： 康丽 （１９６４—）， 女， 湖北潜江人， 教授， 主要从事信号检测与处理、 控制与优化技术研究， Ｅｍａｉｌ： ｋａｎｇｌ＠ ｄｇｕｔ. ｅｄｕ. ｃｎ。
融合 ＧｈｏｓｔＮｅｔ 和 Ｙｏｌｏｖ５ 的遥感图像目标检测
谢轩 康丽
∗
（东莞理工学院 电子工程与智能化学院， 广东东莞 ５２３８０８）
摘要： 遥感图像目标检测是遥感图像解译的一个重要组成部分， 如何快速、 高效地从地物种类多、 背景
复杂的遥感图像中进行目标检测是一个待解决的问题。 针对以上问题提出了一种基于 Ｙｏｌｏｖ５ｓ 改进的目标检测
算法， 首先将骨干网络 ＣＳＰＤａｒｋｎｅｔ５３ 替换成轻量化网络 ＧｈｏｓｔＮｅｔ 用来减少网络的计算量； 其次， 基于卷积注
意力模块， 提出了同时卷积注意力模块并将其应用在 Ｙｏｌｏｖ５ｓ 骨干网络， 与卷积注意力模块相比在不增加参数
量的情况下提高了模型的精度； 最后针对 Ｙｏｌｏｖ５ 的颈部， 提出跨层多路径聚合网络， 在仅仅增加少量参数的
情况下， 给网络精度带来显著的提升， 称其为 Ｙｏｌｏｖ５ｓ
－
ＧＣＭ。 实验结果表明， Ｙｏｌｏｖ５ｓ
－
ＧＣＭ 在 ＮＷＰＵ ＶＨＲ
－
１０ 数据集上的精度达到 ９２. ３％， 比 Ｙｏｌｏｖ５ｓ 的平均精度均值提高了 ０. ８％， 并且其计算量 ＧＦＬＯＰＳ 从 １６. ５ 下降
到了 １４. １， 与 Ｙｏｌｏｖ５ｓ 相比具有更少的计算量和更高的精度。
关键词： 目标检测； Ｙｏｌｏｖ５； ＧｈｏｓｔＮｅｔ； 遥感图像； 注意力机制
中图分类号： ＴＰ７５１ 文献标志码： Ａ 文章编号： １００９
－
０３１２ （２０２３） ０３
－
００７０
－
０８
随着计算机技术和卫星技术的飞速发展， 遥
感图像越来越丰富且广泛应用到各行各业当中，
包括且 不限于城 乡规划、 交 通 管 理、 军 事 侦 察
等
［１］
。 而遥感图像目标检测是遥感图像解译的一
个重要组成部分。 传统基于机器学习的目标检测
方法， 首先通过人为的手动提取特征， 之后根据
滑动窗口的方式遍历原始图像， 带来目标检测时
间长、 窗口 冗 余 等 不 足
［２］
， 只 能 适 用 于 背 景 简
单、 特征显著的图像， 对于日常的工业应用的图
像， 并没有很好的效果。 而遥感图像的地物种类
多、 背景复杂更是难以适用
［３］
。
随着深度学习技术的飞速发展， 基于深度学
习的目标检测算法不仅有着端到端检测、 自动提
取特征、 应用广等优势， 而且在精度上和速度上
比起传统目标检测有着绝对的优势。 其已经逐渐
替代传统目标检测算法， 成为当前目标检测的主
流算法
［４
－
５］
。
以深度学习为代表的目标检测算法发展迅速。
基于检测阶段分为两类， 一类是以 ＲＣＮＮ、 Ｆａｓｔｅｒ
ＲＣＮＮ
６
－
７］
为 代 表 的 双 阶 段 算 法。 另 一 类 则 是 以
ＹＯＬＯ 、 ＳＳＤ
［８
－
９］
为代表的单阶段算法。 双阶段的
精度高与单阶段， 但是其速度却不如单阶段。
虽然单阶段检测算法速度优于双阶段， 但仍
不能满足实际的工业应用， 那如何可以更好的应
用到工业应用呢？ ＭｏｂｉｌｅＮｅｔ
［１０］
对网络的轻量化做
改进， 将标准卷积分为标准卷积和点卷积。 在大
幅度降低计算量的同时， 精度没有受到太大的损
失。 ＳｈｕｆｆｌｅＮｅｔ
［１１］
在 ＭｏｂｉｌｅＮｅｔ 的基础上， 通过组
卷积和通道混合， 在不损失速度的基础上， 提高
了精度。 基于 ＳｈｕｆｆｌｅＮｅｔ 和 ＭｏｂｉｌｅＮｅｔ， 华为诺亚
方 舟 实 验 室 在 ＣＶＰＲ２０２０ 提 出 了 一 种 Ｇｈｏｓｔ⁃
Ｎｅｔ
［１２］
， 该网络在同样精度下， 速度和计算量均
少于其他的网络。 如何将轻量化网络运用到遥感
目标检测领域， 秦伟伟等
［１３］
通过将 Ｙｏｌｏｖ３ 主干
网络替换为 ＭｏｂｉｌｅＮｅｔＶ２ 和引入 ｋ⁃ｍｅａｎｓ 进行边界
框聚类， 提升对遥感军事目标的检测效果； 王云
艳、 罗帅等
［１４］
用 ＭｏｂｉｌｅＮｅｔＶ３ 取代 Ｙｏｌｏｖ４ 的主干
网 络， 在 遥 感 数 据 集 ＵＳＡＯＤ 和 公 共 数 据 集
ＶＯＣ２００７ 上都取得很好的检测效果。
本文主要基于 Ｙｏｌｏｖ５ｓ 算法来改进， 对遥感
图像进行处理。 首先， 使用轻量化的网络 Ｇｈｏｓｔ
来代替 Ｙｏｌｏｖ５ 的骨干网络 ＣＳＰＤａｒｋｎｅｔ５３ 用来减少
网络的计算量。 其次， 添加了注意力机制到特征
提取骨干网络当中加强网络特征， 最后跨层多路
径聚合网络用来增加提取特征的能力。
DOI:10.16002/j.cnki.10090312.2023.03.011
资源评论
