改进YOLOv5算法的遥感图像车辆检测

摘要：

针对遥感图像中背景复杂目标、车辆小导致的成像模糊的目标漏检问题,提出一种基于YOLOv5s的改进模型.改进模型设计一种新的主干网络结构:改进模型的主干特征提取选用RepVGG网络,同时在主干网络中加入注意力机制Co?ordAttention来提高模型小目标的感知能力.增加多尺度特征融合,提高改进模型对于小目标的检测精度,边框回归的损失函数选择使用DIoU,帮助改进模型实现更加精准定位.实验结果表明,改进后的YOLOv5模型在遥感图像的目标检测,相较于原始模型在小目标车辆中检测精度提升5.3个百分点,与Faster R-CNN相比mAP提升16.88个百分点.改进后的模型与主流的检测算法相比能有较大的检测精度提升,相较于原始的YOLOv5s模型在遥感图像小车辆检测有更好的检测精度.

关键词：遥感图像识别、目标识别、YOLO、注意力机制、多尺度特征融合

分类号：TP389.1(计算技术、计算机技术)

资助基金：江西省核地学数据科学与系统工程技术研究中心开放基金资助项目JETRCNGDSS201801

在线出版日期：2023-06-08（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：117-121,126