典型文献
基于YOLOv5的遥感图像目标检测
文献摘要：
为了解决在遥感图像目标检测任务中目标背景繁杂难以识别且目标尺寸复杂的问题,提出一种基于YOLOv5的遥感图像检测优化模型.首先,对输入数据进行马赛克增强,增加样本多样性,同时采用自适应锚框计算,寻求最优初值锚框;然后,把通过主干网络提取到的特征层进行特征融合得到最优特征层,再对定位损失进行优化,采用CIoU loss作为定位损失函数,Focal loss作为分类损失函数;最后,在测试时对输入图片采用自适应图片缩放,以减少信息冗余,加快模型检测速率.该模型能有效捕捉图像特征,实现快速精准的目标定位.对公开10类地理空间物体检测数据集(NWPU-VHR 10)和RSOD数据集进行了训练测试,对比试验表明,优化模型mAP达到0.9896,比优化前的模型mAP提升了2.31％,与使用相同数据集的其他模型的最优值进行比较,其mAP提升了8.19％,该方法能有效提高遥感图像检测精度.
文献关键词：
遥感图像检测;YOLOv5算法;CIoU loss;Focal loss;马赛克数据增强;自适应方法
中图分类号：
作者姓名：
董丽君;曾志高;易胜秋;文志强;孟辰
作者机构：
湖南工业大学 计算机学院,湖南 株洲 412007;湖南省智能信息感知与处理技术重点实验室,湖南 株洲 412007;湖南工业大学
文献出处：
引用格式：
[1]董丽君;曾志高;易胜秋;文志强;孟辰-.基于YOLOv5的遥感图像目标检测)[J].湖南工业大学学报,2022(03):44-50
A类：
B类：
YOLOv5,图像目标检测,繁杂,标尺,遥感图像检测,输入数据,样本多样性,自适应锚框,初值,主干网络,取到,层进,特征融合,优特,CIoU,loss,损失函数,Focal,自适应图,缩放,信息冗余,模型检测,检测速率,图像特征,目标定位,地理空间,空间物体,物体检测,检测数据集,NWPU,VHR,RSOD,mAP,最优值,检测精度,马赛克数据增强,自适应方法
AB值：
0.40679
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。
