【技术实现步骤摘要】
本专利技术涉及计算机视觉的目标检测领域，具体而言，涉及一种基于yolov5的sar图像小目标的检测方法。
技术介绍
1、合成孔径雷达(synthetic aperture radar,sar)技术在地球观测、军事情报、应急响应等领域具有广泛的应用。在民用领域，sar在矿藏资源探测、灾情探测与防治、地形探测与绘制及农业、林业等方面发挥着巨大的作用；在军事领域，sar图像在战场态势感知、典型目标识别和精准指导、隐形目标散射特性的静动态测量等方面具有突出的意义。sar系统通过发射微波信号并接收反射信号，能够在各种天气和光照条件下提供高分辨率的地表图像，但在sar图像中检测小目标，如车辆，依然具有挑战性。传统的基于深度学习的检测方法在sar图像的复杂场景中的性能有限，因此需要一种高度先进的深度学习方法来提高sar图像中近地小目标的检测和识别精度。
2、在目标检测中，对于小目标的定义通常涉及目标的物理尺寸、像素尺寸、相对尺寸以及目标在图像中的视觉表现。小目标指的是在图像中尺寸相对较小、信息量有限的目标物体。即从目标与图像的相对比例这一...
【技术保护点】
1.基于YOLOv5的SAR图像小目标检测方法，其特征在于步骤如下：
2.如权利要求1所述的方法，获取以待测小目标为检测对象的SAR图像数据集，并构建好每幅图像及其对应的标签，并使语义信息数据能够被正确读取，从而生成SAR小目标检测数据集；在所述SAR小目标检测数据集基础上，构建SAR小目标检测数据集的训练集、验证集和测试集，将所选数据段中的图像和标签全部按N1：N2：N3的比例划分，得到的训练集占总数据集的N1，测试集和验证集各占总数据集的N2和N3。
3.如权利要求1所述的方法，对构建的SAR小目标检测数据集中的图像进行多尺度裁切操作，得到
【技术特征摘要】
1.基于yolov5的sar图像小目标检测方法，其特征在于步骤如下：
2.如权利要求1所述的方法，获取以待测小目标为检测对象的sar图像数据集，并构建好每幅图像及其对应的标签，并使语义信息数据能够被正确读取，从而生成sar小目标检测数据集；在所述sar小目标检测数据集基础上，构建sar小目标检测数据集的训练集、验证集和测试集，将所选数据段中的图像和标签全部按n1：n2：n3的比例划分，得到的训练集占总数据集的n1，测试集和验证集各占总数据集的n2和n3。
3.如权利要求1所述的方法，对构建的sar小目标检测数据集中的图像进行多尺度裁切操作，得到若干切片图像。
4.如权利要求3所述的方法，对得到的若干切片图像进行tta操作和数据增强操作，得到处理后的数据；其中所述数据增强操作包括不同尺度切分、马赛克增强、随机模糊、随机翻转和随机融合。
5.如权利要求1所述的方法，构建基于yolov5的sar图像小目标检测网络模型，其主要由输入端、主干特征提取网络、特征融合网络和检测头部构成；所述小目标检测网络模型采用k-means聚类算法针对数据集中待测目标尺寸优化锚框，使锚框大小贴合待测小目标的空间特征尺寸，通过对数据进行聚类分析提升先验框和目标框的匹配度，进行自适应锚框计算，对四个检测头的每个检测头初始锚框大小更换；传统yolov5模型结构使用的是nms，传统nms算法会粗略的将待选锚框尺寸按照阈值的大小进行舍弃，而改进的soft-nms算法会对每个待选锚框赋予一个置信度，按照置信度大小选取最合适的检测锚框。
6.如权利要求5所述的方法，主干特征提取网络引入了ca注意力机制和sppcspc模块；所述ca注意力机制利用空间上的协同注意力对目标周围的上下文信息进行加权处理，使得目标的特征能够更好地聚合，从而更准确地定位和识别小目标；所述ca注意力机制具备尺度感知能力，可以自适应地调整尺度权重以适应不同尺度的目标；对于小目标检测任务来说，不同大小的目标具有不同的尺度特征，所述ca注意力机制能够有效地适应这种多样性，从而提高目标检测的精度和鲁棒性；所述sppcspc模块在小目标检测中可以提高对目标周围的上下文感知，可以更好地捕捉小目标微观细节和特征，同时有多尺度适应性，以及有更好的鲁棒性处理小目标的变化、遮挡和旋转等问题的众多优势；
7.如权利要求5所述的方法，所述特征融合网络引入了bifpn网络结构，传统fp...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。