改进LDS_YOLO网络的遥感飞机检测算法研究

摘要：

为解决遥感飞机检测算法网络计算复杂、检测精度低的问题,以主流网络YOLOv4为基础,从提高精度和简化模型两个方面进行改进研究,提出一种轻量级多尺度监督网络LDS_YOLO(light dense supervision YOLO).针对遥感飞机目标细节信息提取不足的问题,改进三组多尺度融合预测层结构,在每一个支路第一次上采样前的四个卷积块之间设计密集连接方式,可以增强融合不同尺度飞机,丰富特征细节信息,提高预测准确率;针对目标特征关联度低的问题,引入一致性监督损失函数,通过监督分类网络辅助预测的同时提高检测精度;通过增加包含全局平均池化层、全连接层和特征映射层的轻量化模块,调整通道结构减少权重模型的特征冗余,降低网络参数量.在保证检测率的基础上将模型参数量降低为3.6×106,计算量为77 MFLOPs,测试检测率比原始模型损失不到2.3％,速度达到17 frame/s;通过与主流检测算法进行对比,分析轻量化后算法模型的抗过拟合能力和鲁棒性,证明轻量化遥感飞机目标检测算法的有效性和可行性.

关键词：目标检测、卷积神经网络、一致性监督损失函数、多尺度融合、轻量化模型

所属期刊栏目：58

分类号：TP391.4(计算技术、计算机技术)

资助基金：吉林省科技发展计划20190302086GX

在线出版日期：2022-08-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：210-219