【技术实现步骤摘要】
本专利技术涉及遥感图像飞机目标检测，特别涉及一种基于改进yolov5的飞机遥感目标检测模型及方法。
技术介绍
1、随着遥感技术的不断发展，遥感影像在民用和军事领域得到了广泛的应用，而基于遥感图像的飞机目标识别也是其中之一。在民用领域中，基于遥感影像中对飞机目标地识别可以更好地对飞机进行指挥调度，航线规划。而在军事领域中，该应用可以迅速准确地获得敌军机场的飞机数量和位置情况，为战略决策提供合理的依据，对于军事侦察和精确打击都有着非常重要的意义。然而，由于拍摄距离较远，所获取的遥感图像中的飞机目标较小，当存在复杂背景的小目标时，如何保证识别的精度仍然是一个挑战。使用深度学习解决上述问题成为现阶段的主要方法之一。
2、现如今深度学习目标检测算法主要由双阶段目标检测算法和单阶段目标检测算法构成，单阶段目标检测算法主要包括yolo、ssd等，该类算法不需要区域提取阶段，而是通过一个阶段直接得出物体的位置坐标值和类别概率，它的特点是检测速度较快，但检测精度偏低。双阶段目标检测算法一般分为两个阶段：首先产生候选框，然后对候选框中的类别进行识别。这类算法主要有r-cnn、fast r-cnn、faste r-cnn等，该类算法特点是精度高，但检测速度较慢。
技术实现思路
1、针对上述问题，本专利技术旨在提供一种基于改进yolov5的飞机遥感目标检测模型及方法。
2、本专利技术的技术方案如下：
3、一方面，提供一种基于改进yolov5的飞机遥感目标检测模型，所述模
4、首先，引入注意力机制对yolov5模型骨干网络进行改进，加强对不同分辨率飞机的特征提取；
5、然后，使用双向特征金字塔网络替换原始yolov5网络中的路径聚合网络，实现飞机目标的多尺度特征融合；
6、最后，使用alpha-iou损失函数替换ciou损失函数，通过引入参数α并通过调节参数α，提高边界框的预测精度。
7、作为优选，引入注意力机制时，采用eca-net通道注意力模块。
8、作为优选，所述eca-net通道注意力模块为基于senet的一种改进网络，使用卷积核大小为k的一维卷积代替全连接层，通过对周围距离为k的信道进行加权操作，实现特征局部交叉和信道交互的同时，增强网络对局部特征的提取。
9、作为优选，k值通过下式进行计算：
10、
11、式中：c为通道维数；|t|odd表示与绝对值差值最小的奇数；γ为常数；b设为常数。
12、作为优选，使用该卷积核k进行一维卷积运算时，通过sigmoid激活函数得到各个通道的权值大小，该表达式的计算公式为：
13、ωc＝σ(c1dk(y)) (2)
14、式中：c1dk表示以k为卷积核的卷积运算；σ表示sigmoid激活函数；y表示通道；ωc表示各个通道的权值大小。
15、作为优选，yolov5由input、backbone、neck和prediction四部分组成。
16、作为优选，input采用mosaic数据增强的方式，backbone采用csp1_x+sppf结构。
17、作为优选，所述alpha-iou损失函数为：
18、liou＝1-iou→lα-iou＝iouα, (3)
19、
20、
21、
22、式中：lgiou中的c表示能够包围预测边界框b和真实边界框bgt的最小矩形；ldiou中的b和bgt分别表示预测边界框b和真实边界框bgt的中心点；ρ为预测边界框b和真实边界框bgt二者中心点的欧氏距离；c为两边界框所围成的最小矩形的对角线距离；ν用以度量长宽比的相似性。
23、作为优选，度量长宽比的相似性ν通过下式进行计算：
24、
25、另一方面，还提供一种基于改进yolov5的飞机遥感目标检测方法，采用上述任意一项所述的基于改进yolov5的飞机遥感目标检测模型进检测。
26、本专利技术的有益效果是：
27、本专利技术引入eca注意力模块在不降低维度的情况下聚焦飞机目标的检测；使用bifpn网络结构替换原始fpn+panet网络结构，在不增加计算量的情况下对特征实现快速精准地融合；最后改进损失函数提高边界框的准确定位；综上使得本专利技术能够更准确地对遥感图像中的飞机目标进行识别。
本文档来自技高网...【技术保护点】
1.一种基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，所述模型通过以下步骤改进获得：
2.根据权利要求1所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，引入注意力机制时，采用ECA-Net通道注意力模块。
3.根据权利要求2所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，所述ECA-Net通道注意力模块为基于SENet的一种改进网络，使用卷积核大小为k的一维卷积代替全连接层，通过对周围距离为k的信道进行加权操作，实现特征局部交叉和信道交互的同时，增强网络对局部特征的提取。
4.根据权利要求3所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，k值通过下式进行计算：
5.根据权利要求3所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，使用该卷积核k进行一维卷积运算时，通过Sigmoid激活函数得到各个通道的权值大小，该表达式的计算公式为：
6.根据权利要求1所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，YOLOv5由Input、Backbone、N
7.根据权利要求6所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，Input采用Mosaic数据增强的方式，Backbone采用CSP1_X+SPPF结构。
8.根据权利要求1所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，所述Alpha-IoU损失函数为：
9.根据权利要求8所述的基于改进YOLOv5的飞机遥感目标检测模型，其特征在于，度量长宽比的相似性ν通过下式进行计算：
10.一种基于改进YOLOv5的飞机遥感目标检测方法，其特征在于，采用权利要求1-9中任意一项所述的基于改进YOLOv5的飞机遥感目标检测模型进检测。
...【技术特征摘要】
1.一种基于改进yolov5的飞机遥感目标检测模型，其特征在于，所述模型通过以下步骤改进获得：
2.根据权利要求1所述的基于改进yolov5的飞机遥感目标检测模型，其特征在于，引入注意力机制时，采用eca-net通道注意力模块。
3.根据权利要求2所述的基于改进yolov5的飞机遥感目标检测模型，其特征在于，所述eca-net通道注意力模块为基于senet的一种改进网络，使用卷积核大小为k的一维卷积代替全连接层，通过对周围距离为k的信道进行加权操作，实现特征局部交叉和信道交互的同时，增强网络对局部特征的提取。
4.根据权利要求3所述的基于改进yolov5的飞机遥感目标检测模型，其特征在于，k值通过下式进行计算：
5.根据权利要求3所述的基于改进yolov5的飞机遥感目标检测模型，其特征在于，使用该卷积核k进行一维卷积运算时，通过sigmoid激活函数得到各个通道的...
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。