一种基于SMCA-YOLOv5的轻量化军事目标检测方法技术

一种基于SMCA

【技术实现步骤摘要】
一种基于SMCA
‑
YOLOv5的轻量化军事目标检测方法


[0001]本专利技术属于目标检测
，具体涉及一种基于SMCA
‑
YOLOv5的轻量化军事目标检测方法。

技术介绍

[0002]基于手工提取特征的军事目标检测算法和基于深度学习的军事目标检测算法基本未考虑计算机资源的限制。特别是基于深度学习的战场目标检测算法对计算机软硬件的需求远超目前武器装备上计算机的资源配置，要实现此类技术在武器装备系统中的工程应用，需要继续对模型进行适当的简化和优化。
[0003]近年来，随着深度学习的快速发展，计算机视觉技术已广泛应用到视频监控、无人机驾驶、军事情报分析等各个行业。在军事应用领域，目标检测技术是提高战场态势生成、侦查、监视与指挥决策的基础和关键，是现代化战争赢得胜利的重要因素。实时精准地检测战场目标有助于我方更快地掌握战场环境并对敌方单元进行搜索与跟踪，了解敌方动态，以求在战争中抢占先机，处于主导地位。
[0004]传统的视觉目标检测技术大多是基于手工设计特征进行目标的检测，难以从复杂的战场本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于SMCA
‑
YOLOv5的轻量化军事目标检测方法，其特征在于，包括如下步骤：步骤1、获取多种类别的军事目标图像，并利用labelimg软件按照yolo格式对图像数据进行标注，建立军事图像目标数据集；步骤2、对军事图像数据集按照目标类别以7:2:1分别划分到训练集、验证集和测试集中；步骤3、利用Stem block结构和嵌入坐标注意力机制的MobileNetV3结构对YOLOv5s的主干网络进行重新设计，得到SMCA
‑
YOLOv5算法；步骤4、使用步骤2中得到的训练集和验证集输入到步骤3中的模型中进行100次迭代训练，反复调整参数，得到训练后的权重文件；步骤5、将步骤2中得到的测试集输入到步骤3中的模型中，用步骤4得到的权重文件检测结果。2.根据权利要求1所述的基于SMCA
‑
YOLOv5的轻量化军事目标检测方法，其特征在于，所述步骤3中，YOLOv5s结构包含四个部分，分别是输入端、主干网络、特征融合层、输出端；输入端对原始图片数据进行预处理，包含Mosaic数据增强，随机裁剪及自适应图像填充，在输入端集成自适应瞄框计算以适应不同的目标数据集；主干网络通过深度残差结构提取图像不同层次的特征信息，主干网络结构含有CSP结构和空间金字塔池化SPP，CSP结构减少计算量、提高推理速度，空间金字塔池化SPP对相同的特征图进行不同尺度的特征提取，提高检测性能；特征融合层包含特征金字塔和路径聚合网络，特征金字塔在网络中自上而下传递语义信息，路径聚合网络是自上而下传递定位信息，对主干网络中的不同网络层的信息进行融合，提升检测性能；输出端将特征融合层提取到的特征信息通过非极大值抑制来筛选最佳的检测框，并生成检测框对目标进行类别预测。3.根据权利要求2所述的基于SMCA
‑
YOLOv5的轻量化军事目标检测方法，其特征在于，所述步骤3中，采用Stem block结构和嵌入坐标注意力机制的MobileNetV3结构共同搭建YOLOv5的主干网络SMCA
‑
YOLOv5，将YOLOv5算法的主干网络的第一层Focus模块替换成Stem模块；将YOLOv5算法主干网络其余部分用嵌入坐标注意力机制的MobileNetV3结构进行重新设计。4.根据权利要求3所述的基于SMCA
‑
YOLOv5的轻量化军事目标检测方法，其特征在于，所述Stem block结构的搭建如下：Stemblock结构首先对输入的特征图先进行一个步长为2，卷积核大小为3的卷积操作扩充通道数；其次，进行分支路操作，其中一条支路对扩充后的特征图先进行通道数减半的操作，再以步长为2，卷积核大小为3的卷积操作进行下采样，另一条支路对扩充后的特征图进行步长为1，卷积核大小为2的最大池化操作，进一步提取特征；最后，将两分支得到的特征图获得的语义信息进行融合。5.根据权利要求1所述的基于SMCA
‑
YOLOv5的轻量化军事目标检测方法，其特征在于，所述坐标注意力机制将位置信息嵌入到通道注意力中，再将通道注意力分解成沿两个空间方向聚合特征的一维的编码过程；然后，产生方向感知和位置敏感的一对特征图，共同应用
到输入特征图中以增强感兴趣目标的表示；坐标注意力模块分为协同信息的嵌入和协同注意的生成；首先，任取两个中间特征张量X＝[X1,X2,
…
X
C
]∈R
C
×

【专利技术属性】
技术研发人员：杜秀丽，宋林凯，吕亚娜，邱少明，
申请(专利权)人：大连大学，
类型：发明
国别省市：