針對(duì)遙感影像飛機(jī)目標(biāo)尺寸小、特征不明顯的問(wèn)題,在YOLO V4的基礎(chǔ)上,提出一種聯(lián)合多尺度特征和注意力機(jī)制的遙感影像飛機(jī)目標(biāo)檢測(cè)方法。該方法擴(kuò)大了特征融合時(shí)尺度的范圍,增強(qiáng)了對(duì)低層特征和小目標(biāo)信息的提取。通過(guò)引入注意力機(jī)制進(jìn)行特征融合,為每個(gè)通道的特征賦予不同權(quán)重,學(xué)習(xí)不同通道間特征的相關(guān)性。在RSOD-Dataset數(shù)據(jù)集上進(jìn)行對(duì)比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明該方法與相關(guān)算法相比,具有更高的檢測(cè)精度。

【文章頁(yè)數(shù)】：6 頁(yè)

【部分圖文】：

圖1改進(jìn)后的多尺度特征融合網(wǎng)絡(luò)

在卷積過(guò)程中,提取的特征逐漸抽象,一些小目標(biāo)的特征信息容易丟失,包含的目標(biāo)位置信息越來(lái)越少,當(dāng)飛機(jī)目標(biāo)尺寸小于13×13時(shí),可能會(huì)造成網(wǎng)絡(luò)的漏檢。因此,本文對(duì)多尺度特征提取網(wǎng)絡(luò)進(jìn)行了改進(jìn),如圖1所示。在FPN中首先使用主干網(wǎng)絡(luò)輸出的104×104特征圖,將其兩倍下采樣與52×52....

圖2注意力機(jī)制模塊

基于深度學(xué)習(xí)的目標(biāo)檢測(cè)的注意力機(jī)制實(shí)質(zhì)上是給不同的像素賦予不同的權(quán)重,使得獲取的特征圖包含更多的有效信息[17]。這里通過(guò)引入SENet[18]中的Squeeze-and-ExcitationBlock,將注意力機(jī)制加入到特征融合的過(guò)程中,在通道維度上給每個(gè)像素分配合適的權(quán)重。....

圖3M-YOLOV4網(wǎng)絡(luò)結(jié)構(gòu)圖

本文以YOLOV4為基礎(chǔ),在改進(jìn)的多尺度特征提取網(wǎng)絡(luò)后增加注意力機(jī)制,得到M-YOLOV4,用于遙感影像飛機(jī)目標(biāo)檢測(cè),網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖3中左邊的虛線框是對(duì)多尺度特征提取網(wǎng)絡(luò)的改進(jìn),右邊的虛線框表示網(wǎng)絡(luò)中增加的注意力機(jī)制。2實(shí)驗(yàn)與分析

圖4部分?jǐn)?shù)據(jù)樣本

使用的遙感影像飛機(jī)目標(biāo)數(shù)據(jù)來(lái)自武漢大學(xué)的RSOD-Dataset[19],共446張圖片,包含4993個(gè)實(shí)例,部分?jǐn)?shù)據(jù)樣本如圖4所示。從圖4(a)中可以看出,遙感影像中飛機(jī)目標(biāo)尺寸小且排列密集;圖4(b)反映出目標(biāo)尺寸差異較大;圖4(c)背景復(fù)雜,影像中含有其他目標(biāo),并且與飛機(jī)....

本文編號(hào)：3943733