针对遥感图像目标检测中因目标尺度差异大、方向分布复杂导致的检测精度不足问题,提出一种融合背景信息与方向信息的检测网络。首先,针对目标尺度差异大的问题,设计了感受野扩张模块(Receptive Field Extending,RFE)。与传统的固定感受...针对遥感图像目标检测中因目标尺度差异大、方向分布复杂导致的检测精度不足问题,提出一种融合背景信息与方向信息的检测网络。首先,针对目标尺度差异大的问题,设计了感受野扩张模块(Receptive Field Extending,RFE)。与传统的固定感受野或复杂多分支的结构不同,该模块通过大核分解、空洞卷积与并联分支结构设计,在不显著增加计算量的前提下,融合多尺度的背景信息,解决了不同尺度目标对背景信息需求差异的问题。其次,针对目标方向分布复杂的问题,设计方向感知交互注意力机制模块(Orientation Aware Cross Attention,OACA)。与现有的注意力机制卷积核形状不同,该模块通过水平与垂直方向可分离卷积提取方向纹理信息,防止特征缺失与断裂;同时设计交叉注意力机制,抑制背景噪声并增强方向信息的交互性。实验结果表明,提出的方法在DOTA,HRSC2016和DIOR-R数据集上检测精度分别达到76.88%、98.43%和65.06%,相比Oriented R-CNN方法分别提升了1.01%,0.83%和0.76%,进一步验证了背景信息和方向信息协同的有效性。展开更多
无人机载平台中的目标检测在军事和民用领域具有重要的应用价值.然而,现有的检测方法通常侧重于多尺度目标检测,缺乏对小目标的优化,且模型复杂度过高,难以在资源受限的机载平台中应用.为此,本文提出了一种面向无人机载平台的轻量级小...无人机载平台中的目标检测在军事和民用领域具有重要的应用价值.然而,现有的检测方法通常侧重于多尺度目标检测,缺乏对小目标的优化,且模型复杂度过高,难以在资源受限的机载平台中应用.为此,本文提出了一种面向无人机载平台的轻量级小目标检测算法YOLOH(You Only Look One Head).首先,针对小目标对基准网络优化,移除深层特征以减少模型参数量,增加浅层特征以获取小目标信息.其次,在特征融合部分加入NAM注意力,增强对小目标的感知能力.接着,设计了多感受野聚焦模块MRFF,以挖掘特征图的感受野信息,增强模型的多尺度检测能力.最后,使用LAMP算法对模型剪枝,去除冗余神经元以压缩模型.实验结果表明,与YOLOv8s相比,YOLOH的模型参数量和计算量分别减少了92%和35%,FPS提高了57%.在VisDrone2019和CARPK数据集上AP_(S)分别提高了3.3%和3.7%.与其他轻量级模型相比,所提YOLOH具有最佳的整体性能,同时平衡了模型大小、精度和推理速度,为无人机载平台的目标检测提供了有效的解决方案.展开更多
文摘无人机载平台中的目标检测在军事和民用领域具有重要的应用价值.然而,现有的检测方法通常侧重于多尺度目标检测,缺乏对小目标的优化,且模型复杂度过高,难以在资源受限的机载平台中应用.为此,本文提出了一种面向无人机载平台的轻量级小目标检测算法YOLOH(You Only Look One Head).首先,针对小目标对基准网络优化,移除深层特征以减少模型参数量,增加浅层特征以获取小目标信息.其次,在特征融合部分加入NAM注意力,增强对小目标的感知能力.接着,设计了多感受野聚焦模块MRFF,以挖掘特征图的感受野信息,增强模型的多尺度检测能力.最后,使用LAMP算法对模型剪枝,去除冗余神经元以压缩模型.实验结果表明,与YOLOv8s相比,YOLOH的模型参数量和计算量分别减少了92%和35%,FPS提高了57%.在VisDrone2019和CARPK数据集上AP_(S)分别提高了3.3%和3.7%.与其他轻量级模型相比,所提YOLOH具有最佳的整体性能,同时平衡了模型大小、精度和推理速度,为无人机载平台的目标检测提供了有效的解决方案.
