摘要
近年来随着遥感技术的发展，遥感卫星在国防军事和民生经济领域发挥着越来越重要的作用，遥感图像目标检测任务也成为了图像处理领域的热点问题。由于遥感图像中存在背景复杂，目标尺度变换大等问题，相比于传统目标检测算法，基于深度学习的目标检测算法鲁棒性较好，检测精度更高，性能更优越。但是在实际应用中，深度学习算法难以部署到卫星等资源受限平台，检测速度也难以满足实时性的需求。针对上述问题，本文针对遥感图像目标检测中高精度实时检测的需求，提出了一种基于网络剪枝的深度学习轻量化遥感目标检测方案。本文的主要研究内容和创新点如下: (1)为了提高目标检测网络的特征提取能力，缓解复杂背景下，不易于提取目标信息的问题，本文提出了结合注意力机制的特征提取网络。该网络引入通道空间注意力机制，突出图像中目标特征和位置信息，抑制背景信息，解决了遥感图像中关键信息不突出的问题。同时，为了精简网络，便于算法的实际应用部署，本文使用深度可卷积模块替代了原有的卷积层。通过计算分析，该模块相比原卷积模块可降低计算量约9倍以上。通过消融实验验证，该特征提取网络能够提升整体目标检测精度约9.1％。 (2)为了增强网络对多尺度目标的检测性能，本文充分利用卷积特征图中目标的空间信息和语义信息。本文设计了针对不同尺度大小目标的检测层，充分融合目标语义信息和空间信息，提高了目标检测识别不同尺度目标时的精度，增强网络的鲁棒性。结合上述特征提取网络，得到最终目标检测网络AttentionFusionDetection(AFD)，通过在NWPUVHR-10数据集上的实验，与YOLOV3-tiny和MobilNetvl-SSDlite比较，AFD的mAP指标分别高了6.7％和13％，检测速度也只是稍稍落后于轻量化MobilNetv1-SSDlite网络。 (3)为了进一步精简网络，去除冗余参数，使得网络能更高效的部署于卫星等资源受限环境，本文提出了基于联合剪枝准则的通道剪枝方法。该方法结合了频域中特征图信息重要性分布和训练过程中BN层缩放因子系数值，通过全面评估通道重要性，增强通道剪枝的有效性。在实验对比中，本文提出的剪枝算法明显优于两种典型的模型剪枝算法。
NETL