针对遥感目标的多尺度、多样性、背景复杂等特点,为提升YOLOv4算法的检测速度和平均精度,提出了一种基于YOLOv4模型改进的遥感目标检测算法,首先,用Mobilenetv2替换YOLOv4的主干特征提取网络,减少参数数量,提升检测速度;其次,在Mobilene...针对遥感目标的多尺度、多样性、背景复杂等特点,为提升YOLOv4算法的检测速度和平均精度,提出了一种基于YOLOv4模型改进的遥感目标检测算法,首先,用Mobilenetv2替换YOLOv4的主干特征提取网络,减少参数数量,提升检测速度;其次,在Mobilenetv2的残差网络中嵌入新型注意力机制CoordAttention模块,捕获方向感和位置感知的信息,精准定位和识别感兴趣的目标;最后,借鉴Inception的思想在颈部特征增强网络处添加改进过的RFB模块,增强感受野并且提升网络的特征融合能力。研究表明,论文提出的MCR-YOLOv4(Mobilenetv2-CoordAttention-RFB-You Only Look Once)算法相比于原YOLOv4算法,模型大小减少了45.27 M,平均精度提高了1.03%,检测速度提高了56帧/s,更适用于对复杂遥感目标的检测。展开更多
文摘针对遥感目标的多尺度、多样性、背景复杂等特点,为提升YOLOv4算法的检测速度和平均精度,提出了一种基于YOLOv4模型改进的遥感目标检测算法,首先,用Mobilenetv2替换YOLOv4的主干特征提取网络,减少参数数量,提升检测速度;其次,在Mobilenetv2的残差网络中嵌入新型注意力机制CoordAttention模块,捕获方向感和位置感知的信息,精准定位和识别感兴趣的目标;最后,借鉴Inception的思想在颈部特征增强网络处添加改进过的RFB模块,增强感受野并且提升网络的特征融合能力。研究表明,论文提出的MCR-YOLOv4(Mobilenetv2-CoordAttention-RFB-You Only Look Once)算法相比于原YOLOv4算法,模型大小减少了45.27 M,平均精度提高了1.03%,检测速度提高了56帧/s,更适用于对复杂遥感目标的检测。
