没有合适的资源?快使用搜索试试~ 我知道了~
资源推荐
资源详情
资源评论
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
m0_62488776
- 粉丝: 622
- 资源: 57
上传资源 快速赚钱
- 我的内容管理 展开
- 我的资源 快来上传第一个资源
- 我的收益 登录查看自己的收益
- 我的积分 登录查看自己的积分
- 我的C币 登录后查看C币余额
- 我的收藏
- 我的下载
- 下载帮助
安全验证
文档复制为VIP权益,开通VIP直接复制
信息提交成功