一种基于改进YOLOv3的遥感图像小目标检测方法技术

本发明专利技术公开了一种基于改进YOLOv3的遥感图像小目标检测方法，属于深度学习及目标检测技术领域，包括数据集预处理；优化YOLOv3网络，在Neck中加入空洞卷积组模块、特征强化模块和通道注意力机制模块；在线数据增强；前向推理；改进损失函数；选择在验证集上检测精度和召回率最高的YOLOv3网络模型载入网络等步骤。本发明专利技术通过改进损失函数和在YOLOv3原网络中加入空洞卷积组模块、特征强化模块、通道注意力机制模块以改进YOLOv3检测网络，性能明显提升，对遥感图像中的目标检测更全面，精度更高，而且提高了训练速度和整体检测精度。且提高了训练速度和整体检测精度。且提高了训练速度和整体检测精度。

【技术实现步骤摘要】
一种基于改进YOLOv3的遥感图像小目标检测方法


[0001]本专利技术涉及深度学习及目标检测领域，尤其是一种基于改进YOLOv3的遥感图像小目标检测方法。

技术介绍

[0002]随着深度学习和神经网络的发展，计算机视觉得以飞速发展。在此领域，目标检测与识别技术被广泛研究并应用于实践，给人们生活带来极大便利。例如应用于无人机上，可以自动地识别出遥感图像中的特定目标，可以代替人工来高效地完成这种重复工作等。然而在许多目标检测工作中存在以下问题：
[0003]1、目标多为尺度小，只有几十个像素点，不利于寻找和识别；
[0004]2、背景复杂，干扰因素多，如拍摄角度，光照变化、相似目标、物体遮挡等问题，容易导致误判，不利于检测。
[0005]将目前常用的几个经典目标检测网络对比后，选择使用YOLOv3(You Only Look Once v3)检测算法，该算法检测速度块，识别精度高，在该算法基础上改进会得到更好的检测性能。对该网络的改进思路：
[0006]1、在基础骨干网络中，随着深度增加，每次下采样后虽然扩大了感受本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于改进YOLOv3的遥感图像小目标检测方法，其特征在于：包括以下步骤：步骤1，数据集预处理：获取训练遥感图像组成数据集，对数据集进行格式转换，并将数据集随机划分为训练验证集和测试集，在训练时采用交叉验证的方式对YOLOv3网络模型评估；步骤2，对YOLOv3网络进行优化：在Neck中加入空洞卷积组模块、特征强化模块和通道注意力机制模块；步骤3，在线数据增强：在训练集中每次随机选择相同数量的图片，对其在线图像数据增强后输入优化后的YOLOv3网络；步骤4，前向推理：优化后的YOLOv3网络中的Head负责根据融合的特征推断出物体坐标和类别，获得包围目标物体的边框坐标、物体类别和置信度；步骤5，改进损失函数：根据函数值迭代训练并更新参数，每次迭代后在验证集上评估；步骤6，训练结束：选择在验证集上检测精度和召回率最高的优化的YOLOv3网络模型载入网络。2.根据权利要求1所述的一种基于改进YOLOv3的遥感图像小目标检测方法，其特征在于：步骤1中，所述数据集预处理具体是指：将数据集标注信息变换成VOC格式，将其按9：1的比例随机划分为训练验证集和测试集，各集合互不干涉，没有相同的图片，防止数据被污染；在训练时采用交叉验证的方式对YOLOv3网络模型评估，即先将训练验证集按8：1的比例随机划分为训练集和验证集，训练集用于模型训练和权重更新，验证集用于对每轮训练结束后获得的模型评估。3.根据权利要求1所述的一种基于改进YOLOv3的遥感图像小目标检测方法，其特征在于：步骤2中，所述空洞卷积组模块能够适应多尺度图片输入，扩大网络感受野；所述特征强化模块能够将物体位置信息丰富而语义信息较少的浅层特征与物体语义信息丰富而位置信息较少的深层特征融合，融合不同分辨率的特征；所述通道注意力机制模块能够排除干扰，从复杂背景中提取对检测更为关键的物体特征信息，赋予特征各通道权值以加强全局特征。4.根据权利要求3所述的一种基于改进YOLOv3的遥感图像小目标检测方法，其特征在于：通道注意力机制模块的计算公式为：全局平均池化：式中，W、H...

【专利技术属性】
技术研发人员：李国强，常轩，
申请(专利权)人：燕山大学，
类型：发明
国别省市：