摘要
近几年来，无人机技术飞速发展，计算机视觉技术作用于无人机航拍得到的图像可以满足多种需求场景，如紧急救灾、电力巡检等。然而由于航拍图像小目标本身的像素少、背景复杂等问题，通用的深度学习目标检测算法在航拍图像中的检测精度不够理想。因此本文着手于航拍图像，从特征提取网络、多尺度特征融合等方面对通用的目标检测算法进行研究改进，提升航拍图像小目标检测精度。 本文的主要工作内容包括: (1)收集当前的航拍图像数据集DOTA和NWPU VHR-10数据集，从中筛选出六类目标。实验中发现DOTA数据集中的图片分辨率跨度大，不能直接用于后续的训练,所以对其进行处理，最后将两个数据集合并后构成本文的航拍图像小目标检测数据集。 (2)通过比较通用的目标检测算法的精度和效率，选定YOLOX算法作为本次实验的网络主体架构。针对航拍图像中背景复杂的问题，本文提出在特征提取网络嵌入双ECA(Efficient Channel Attention Module)注意力机制，这样可以削弱无关背景特征的比重，增强网络对小目标特征信息的注意，提升航拍图像小目标检测的精度。 (3)针对航拍图像中小目标像素少的问题，本文对算法分析认为在Neck结构中浅层特征虽包含更多的小目标的位置信息，但语义信息少，深层特征语义信息较多，所以本文提出在YOLOX的Neck结构中融入改进的多尺度特征融合模块MRAE(MultiResolution Attention Extractor),将不同层次的特征图根据小目标检测的要求分配合适的权重值进行有效融合。经验证，本文提出的改进提高了算法对小目标的检测精度，改进算法的准确率达到了 86.68％,较原有的YOLOX的准确率提升了 2.52％。 综上所述，本文以航拍图像小目标检测为研究任务，设计基于改进YOLOX的航拍图像小目标检测算法有效提升了对小目标检测的精度，为小目标检测领域的进步提供了方案。
NETL