一种改进的旋转小目标检测方法技术

本发明专利技术提出了一种改进的旋转小目标检测方法，用于解决遥感图像中密集排列的倾斜以及尺寸极小的目标检测问题。该方法在YOLOv8模型的基础上新增小目标检测层增加感受野并且缓解下采样倍数，提出GIoU Loss作为旋转框回归损失函数，以及通过动态和逐步细化的两阶段匹配策略来改进标签分配策略，提高了小目标检测性能。实验表明改进后的方法YOLOv8s‑imporved相较于原始的YOLOv8s分别在DOTAv1.0、DOTAv1.5和DOTAv2.0数据集的旋转目标检测任务上获得了1.17％，1.72％和1.84％的精度提升，证明了该方法的有效性。

【技术实现步骤摘要】

本专利技术涉及深度学习中的旋转小目标检测领域，针对遥感影像中紧密排列的倾斜以及尺寸极小的目标检测问题。

技术介绍

1、在图像尺寸较大同时目标分布密集的遥感图像中通常包含大量大长宽比的目标，同时也包含许多密集排列的目标，这些场景中的目标如车辆、船只和飞机，常常因为拍摄角度的原因呈现出任意的旋转状态，而且对水平边界框不友好，因此使用任意角度的边界框来更在准确的标记目标以反映物体的实际方向是图像目标检测中的一个重要方向。对于航拍或卫星图像数据中的目标检测技术，其中的一个意义在于提高旋转且尺寸极小的目标检测的精度和效率。其难点在于小目标像素少、特征不明显、旋转目标可能以任意角度存在，需要算法能够准确回归边界框角度，使得目标检测任务更加困难。为应对旋转和小目标检测挑战，研究人员开发了专门的数据集如stanford drone、okutama action、carpk和visdrone，并提出了多种深度学习方法。这些方法包括使用旋转边界框、多尺度特征融合、注意力机制，以及结合几何模型，以提高航拍图像中目标的检测精度和效率。其中，r2cnn、rrpn、roi trans本文档来自技高网...

【技术保护点】

1.一种改进的旋转小目标检测方法，其特征在于，包括以下步骤：

2.如权利要求1所述方法，其特征在于，步骤1中在YOLOv8模型的基础上增加了160*160的大尺度特征层以及检测头。

3.如权利要求1所述方法，其特征在于，步骤2中采用椭圆目标检测框对数据集中的小目标进行标注，并且提出了基于海林格距离的GIoU损失函数，从而能够真实反映出不同分布之间的间隔，同时该损失函数在全定义域都具有导数，比传统的边界框更具通用性。

4.如权利要求1所述方法，其特征在于，步骤3中提出了构造动态先验捕获模块更新先验框位置以及跨特征层粗细匹配的标签分配策略，提高了预测框匹配...

【技术特征摘要】

1.一种改进的旋转小目标检测方法，其特征在于，包括以下步骤：

2.如权利要求1所述方法，其特征在于，步骤1中在yolov8模型的基础上增加了160*160的大尺度特征层以及检测头。

3.如权利要求1所述方法，其特征在于，步骤2中采用椭圆目标检测框对数据集中的小目标进行标注，并且提出了基于海林...

【专利技术属性】
技术研发人员：贾海涛，徐思雨，王树臣，钟睿，许文波，孙立成，任利，周焕来，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：