典型文献
轻量化的光学遥感影像目标检测方法
文献摘要：
针对深度学习目标检测算法由于模型体积过大、参数量过多而在星上部署困难的问题,在YOLOv5检测模型的基础上,提出了一种轻量化的光学遥感影像目标检测算法——LW-YOLO.首先,针对YOLOv5网络中的特征信息冗余所带来的计算开销,引入轻量化Ghost模块替换网络中的普通卷积以减少参数量;接着,设计了一种空间和通道融合的注意力模块Fusion Attention(FA),并在此基础上重构了网络的瓶颈层FABottleneck,进一步减少参数量,并提高算法对于光学遥感影像目标的定位能力;最后,提出了一种稀疏参数自适应的网络剪枝方法对网络进行剪枝,进一步压缩模型大小.在DOTA数据集上的实验表明,LW-YOLO算法相比于YOLOv5s参数量下降了 64.7％,模型大小下降了 62.7％,推理时间降低了 3.7％,同时平均精度均值仅仅下降了 6.4％.该算法以较小的精度损失为代价实现了网络模型的轻量化,为星上光学影像在轨目标检测提供了理论基础.
文献关键词：
图像处理;光学遥感影像;YOLOv5;轻量化模型;注意力机制;FABottleneck;网络剪枝
中图分类号：
作者姓名：
王浩;尹增山;刘国华;胡登辉;高爽
作者机构：
中国科学院微小卫星创新研究院,上海201203;中国科学院大学,北京100049
文献出处：
引用格式：
[1]王浩;尹增山;刘国华;胡登辉;高爽-.轻量化的光学遥感影像目标检测方法)[J].激光与光电子学进展,2022(22):102-113
A类：
FABottleneck
B类：
光学遥感影像,目标检测方法,学习目标,目标检测算法,参数量,检测模型,LW,特征信息,信息冗余,余所,计算开销,Ghost,换网,道融,注意力模块,Fusion,Attention,瓶颈层,定位能力,参数自适应,网络剪枝,剪枝方法,压缩模型,DOTA,YOLOv5s,推理时间,平均精度均值,精度损失,上光,光学影像,在轨,轻量化模型,注意力机制
AB值：
0.361867
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。
