摘要
目前，无人机遥感图像中的小目标居多，在检测设备进行目标检测时，检测精度较低且耗时较长，不能充分发挥无人机遥感图像在遥感图像中的优势。近年来，深度学习中的目标检测技术日益成熟，但小目标检测任务中仍面临着无法提取更深层次特征信息的问题，导致精度难以提升。本文将针对无人机遥感图像中小目标检测精度的问题，通过改进深度学习中的目标检测算法展开研究。研究的目标检测算法除对准确性有较高需求外，还需满足实际应用中轻量化和实时性的要求。 本文根据无人机遥感图像的特点，以提高无人机遥感图像中的小目标精度、模型轻量化以及检测实时性作为主要研究内容。通过对目标检测相关理论的介绍，本文选定基准算法YOLOv5m作为文中实验的对照。对相关数据集进行相应的预处理，利用基准算法YOLOv5m对无人机遥感图像数据集进行实验，并分析实验结果发现，其中一些类别在检测精度上存在漏检和误检同时整体结构的轻量化和实时性仍有进步空间。基于此，本文提出利用混合域注意力机制模块对小目标的检测精度和轻量化的改进，不仅增强了YOLOv5m对小目标特征信息的注意力，同时减少了图像的语义损失。对于此前没有考虑到真实框与预测框之间向量角度的问题，本文利用改进损失函数的方法对输出端的定位边界框的损失部分进行优化，从而提高了小目标的检测精度。针对基准算法网络模型的计算量和参数量问题，利用洗牌操作将深度可分离卷积和标准卷积结合的新型卷积，从而达到了减少模型计算量和参数量的效果。改进算法利用新的数据增强方式提高对小目标的检测效果，同时提升检测算法的泛化性。对于提出的基于YOLOv5m改进的目标检测算法，本文利用公开数据集RSOD和VisDrone进行了大量实验。实验结果表明，在基准算法YOLOv5m的基础上，mAP值分别提升了约1.6％和0.5％,模型参数分别减少了约4.79％和4.78％,检测帧率分别增加了约18.5FPS和20FPS,可以证明各部分改进以及整体改进的有效性。
NETL