前言
此前出了目标改进算法专栏,但是对于应用于什么场景,需要什么改进方法对应与自己的应用场景有效果,并且多少改进点能发什么水平的文章,为解决大家的困惑,此系列文章旨在给大家解读最新目标检测算法论文,帮助大家解答疑惑。解读的系列文章,本人已进行创新点代码复现,有需要的朋友可关注私信我。
一、摘要
目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测。提出把YOLOv5算法应用到遥感图像目标检测的方法,首先选择YOLOv5x来构建网络模型,再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小,然后切片卷积操作得到原始特征图,将原始特征图送入主干网络进行特征融合得到最优权重,最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选,对遥感图像进行目标检测。在公开的10类地理空间物体(NWPU-VHR10)数据集进行了检测实验,以评估所提出模型的目标检测性能。对比实验表明,本文的模型mAP达到了0.9239,与使用相同数据集的模型中的最佳结果进行比较,mAP提升了1.78%,该方法可以提高遥感图像目标检测精度。
二、网络模型及核心创新点
1. Mosaic数据增强
2. 自适应方法
3. GIOU Loss函数
4. 非极大值抑制(NMS)
三、应用数据集
NWPU-VHR10数据集是从Google Earth和Vaihingen数据集中采集的遥感图像,然后目标物体由专家标记而来。该数据集由800张图像组成,其中包含650张至少包含一个要检测的目标的正图像集,150张不包含给定对象类别的任何目标的负图像集,每类有80张遥感图像。
四、实验效果(部分展示)
为了评估模型的检测性能,本文将遥感数据集以不同的训练和测试比率随机抽取,使用不同比率图像数据集样本训练模型,得到9个最佳权重值,分别进行10组同比率不同测试集检测实验。通过计算10组不同检测的mAP结果,最终得到算术平均mAP值。
- 下图显示在目标检测过程中,不同比率的召回率曲线。
2.下表显示了根据这些比率调整数据集的实验的算术平均mAP值。
五、实验结论
实验结果表明,应用YOLOv5算法能够快速检测遥感图像目标,平均精度均值和平均精准度有明显的提高,且使用了9组不同比例数据集,验证的模型具有很好的鲁棒性。
六、投稿期刊介绍
注:论文原文出自邢宇驰,李大军,叶发茂. 基于YOLOv5的遥感图像目标检测.江西科学. 第39卷第4期2021年8月.文章来源:https://www.toymoban.com/news/detail-460554.html
解读的系列文章,本人已进行创新点代码复现,有需要的朋友可关注下面公众号,私信我。文章来源地址https://www.toymoban.com/news/detail-460554.html
到了这里,关于目标检测论文解读复现之十:基于YOLOv5的遥感图像目标检测(代码已复现)的文章就介绍完了。如果您还想了解更多内容,请在右上角搜索TOY模板网以前的文章或继续浏览下面的相关文章,希望大家以后多多支持TOY模板网!