典型文献
改进YOLOv5s的遥感图像检测研究
文献摘要：
针对遥感图像中目标排列紧密,背景复杂的问题,设计Transformer和卷积的双向交互模块(CTN)作为网络特征提取结构,使模型能够弱化背景噪声带来的干扰且能更好的捕获全局信息.其次,为了加强特征提取网络在复杂背景下的提取能力,构建了 DenseBlock模块和ConvBlock模块,所设计的模块能增强模型在多目标下多尺度学习的能力,相比原网络能提取出更丰富的语义信息.最后对数据集中所有实例分布进行统计分析,其存在的许多小目标容易使原网络存在漏检误检的现象,针对这种情况,在检测头部分额外添加了一个检测头来缓解目标尺度变化带来的负面影响,同时去除对检测效果提升不明显的特征提取分支及检测分支,使用K-means++重新聚类得到最优锚框并分配至裁剪后的3个预测特征层.实验结果表明,改进的网络能有效改善遥感图像的漏检与误检的情况,在目标密集分布的情况下提升YOLOv5s的检测能力,改进的网络能更快收敛,均值平均精度(mean average precision,mAP)相比于原YOLOv5s算法提高了 3.1％.
文献关键词：
目标检测;YOLOv5s;遥感目标;自注意力机制;网络结构
中图分类号：
作者姓名：
钱承山;沈有为;孙宁;卢峥松;戴仁天
作者机构：
南京信息工程大学自动化学院 南京211800;无锡学院 无锡214000
文献出处：
引用格式：
[1]钱承山;沈有为;孙宁;卢峥松;戴仁天-.改进YOLOv5s的遥感图像检测研究)[J].国外电子测量技术,2022(11):57-66
A类：
DenseBlock,ConvBlock
B类：
YOLOv5s,遥感图像检测,Transformer,双向交互,CTN,网络特征,背景噪声,声带,全局信息,特征提取网络,复杂背景,增强模型,多尺度学习,语义信息,小目标,漏检,检测头,个检,标尺,尺度变化,检测效果,效果提升,取分,means++,锚框,裁剪,密集分布,检测能力,快收敛,均值平均精度,average,precision,mAP,目标检测,遥感目标,自注意力机制
AB值：
0.451485
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
