針對遙感影像飛機目標尺寸小、特征不明顯的問題,在YOLO V4的基礎上,提出一種聯(lián)合多尺度特征和注意力機制的遙感影像飛機目標檢測方法。該方法擴大了特征融合時尺度的范圍,增強了對低層特征和小目標信息的提取。通過引入注意力機制進行特征融合,為每個通道的特征賦予不同權重,學習不同通道間特征的相關性。在RSOD-Dataset數(shù)據(jù)集上進行對比實驗,實驗結(jié)果表明該方法與相關算法相比,具有更高的檢測精度。

【文章頁數(shù)】：6 頁

【部分圖文】：

圖1改進后的多尺度特征融合網(wǎng)絡

在卷積過程中,提取的特征逐漸抽象,一些小目標的特征信息容易丟失,包含的目標位置信息越來越少,當飛機目標尺寸小于13×13時,可能會造成網(wǎng)絡的漏檢。因此,本文對多尺度特征提取網(wǎng)絡進行了改進,如圖1所示。在FPN中首先使用主干網(wǎng)絡輸出的104×104特征圖,將其兩倍下采樣與52×52....

圖2注意力機制模塊

基于深度學習的目標檢測的注意力機制實質(zhì)上是給不同的像素賦予不同的權重,使得獲取的特征圖包含更多的有效信息[17]。這里通過引入SENet[18]中的Squeeze-and-ExcitationBlock,將注意力機制加入到特征融合的過程中,在通道維度上給每個像素分配合適的權重。....

圖3M-YOLOV4網(wǎng)絡結(jié)構圖

本文以YOLOV4為基礎,在改進的多尺度特征提取網(wǎng)絡后增加注意力機制,得到M-YOLOV4,用于遙感影像飛機目標檢測,網(wǎng)絡結(jié)構如圖3所示。圖3中左邊的虛線框是對多尺度特征提取網(wǎng)絡的改進,右邊的虛線框表示網(wǎng)絡中增加的注意力機制。2實驗與分析

圖4部分數(shù)據(jù)樣本

使用的遙感影像飛機目標數(shù)據(jù)來自武漢大學的RSOD-Dataset[19],共446張圖片,包含4993個實例,部分數(shù)據(jù)樣本如圖4所示。從圖4(a)中可以看出,遙感影像中飛機目標尺寸小且排列密集;圖4(b)反映出目標尺寸差異較大;圖4(c)背景復雜,影像中含有其他目標,并且與飛機....

本文編號：3943733