摘要
随着遥感技术的飞速发展，遥感图像目标检测算法发展迅速，但是目前有许多遥感图像目标检测算法仍存在检测精度不足等问题。本文深度分析当前遥感图像目标检测算法的一些痛点，针对遥感图像存在图像尺寸巨大、目标摆放倾斜且排列密集、目标尺度变化大、目标背景复杂等特点展开研究。 针对遥感图像存在目标摆放倾斜且排列密集的特点，提出一种使用旋转框的检测算法—YOLOv5s-rd，该算法是基于YOLOv5s算法改进而来的。YOLOv5s算法虽然性能优越，但是它是一种水平目标框检测算法，面对遥感图像中目标摆放倾斜且排列密集的情况，会出现多个预测框重叠进而产生视觉混乱的效果，因此为解决该问题将YOLOv5s改进成使用旋转框的检测算法。由于使用旋转框的常规检测算法对于角度预测都是采用回归的方式，而回归的方式容易产生边界问题，本文提出一种使用角度分类的检测方法，避免了边界问题。在角度分类中将高斯函数作为窗口函数，比较不同的高斯函数半径对算法性能的影响。实验表明，旋转框改进后的检测算法适用于目标摆放倾斜且排列密集的场景。 为了提高 YOLOv5s-rd 的检测精度，针对遥感图像的一些特点对算法做出进一步的改进。针对图像尺寸巨大的特点，将原图片先进行裁切，然后将裁切后的图片进行Mosaic-9数据增强；针对目标尺度变化大的特点，提出一种改进的特征融合网络结构，其能充分融合底层特征图和高层特征图的信息；针对目标背景复杂的特点，引入ShuffleAttention注意力机制，弱化背景和增强目标信息特征。接着分析Adam优化算法的缺点，提出一种改进的Adagrad优化算法。最后将上述改进点融合在一起后的改进算法与 YOLOv5s-rd 以及遥感图像目标检测的热门算法进行对比实验。实验表明，与YOLOv5s-rd、S2A-Net、ReDet、Oriented R-CNN、Oriented Repoints 和 SA-Samp;SA-M 相比，本文改进后的YOLOv5s-rd算法在遥感图像上进行目标检测表现更优。
NETL