针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建...针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建空间多尺度卷积注意力(spatial multi-scale convolutional attention,SMCA),提升模型对空间和通道信息的特征提取能力;其次,针对深层网络传递时小目标语义信息容易丢失的问题,设计聚合亚像素卷积(concentrated sub-pixel convolution,CSC),采用多尺度聚合特征提取方法,增强了网络对语义信息的提取能力;最后,将SIoU损失函数替代原模型中的CIoU(complete intersection over union loss)损失函数,加快了网络的收敛速度。SCS-YOLO模型在RSOD和NWPU VHR-10数据集上,平均精确率的平均值(mAP)分别达到97%和90.9%,相较于原模型分别提升了2.2%和2.7%,可见该方法在遥感图像小目标检测任务中的有效性。展开更多
文摘针对目前遥感图像小目标检测任务中易出现漏检和误检的问题,提出一种SCS-YOLO[SMCA+CSC+SIoU(shape-aware intersection over union loss)-you only look once]的遥感图像小目标检测算法。首先,针对遥感图像中目标小而聚集的问题,构建空间多尺度卷积注意力(spatial multi-scale convolutional attention,SMCA),提升模型对空间和通道信息的特征提取能力;其次,针对深层网络传递时小目标语义信息容易丢失的问题,设计聚合亚像素卷积(concentrated sub-pixel convolution,CSC),采用多尺度聚合特征提取方法,增强了网络对语义信息的提取能力;最后,将SIoU损失函数替代原模型中的CIoU(complete intersection over union loss)损失函数,加快了网络的收敛速度。SCS-YOLO模型在RSOD和NWPU VHR-10数据集上,平均精确率的平均值(mAP)分别达到97%和90.9%,相较于原模型分别提升了2.2%和2.7%,可见该方法在遥感图像小目标检测任务中的有效性。
