基于YOLOv7-RS的遥感图像目标检测研究
网络安全与数据治理
梁琦1,2，杨晓文2,3,4
1 武警山西总队参谋部，山西太原030012；2 中北大学计算机科学与技术学院，山西太原030051；3 机器视觉与虚拟现实山西省重点实验室，山西太原030051； 4 山西省视觉信息处理及智能机器人工程研究中心，山西太原030051
摘要： 针对遥感图像目标检测过程中存在的背景复杂、目标特征不明显、小目标排列密集的问题，基于YOLOv7算法，提出了一种改进的遥感图像目标检测算法YOLOv7-RS(YOLOv7 Remote Sensing)，提高了遥感图像的目标检测精度。首先，向特征提取网络中融合SimAM减少背景噪声的干扰；其次，提出了D ELAN网络增强遥感目标的特征提取能力；再次，利用SIOU损失函数以提高算法模型的收敛速度；最后，优化了正负样本分配策略，改善了遥感图像中小目标密集排列时的漏检问题。实验结果表明，YOLOv7-RS在NWPU VHR 10和DOTA数据集上的mAP达到95.4%和74.1%，相较于其他主流算法有了明显提升。
中图分类号：TP391文献标识码：ADOI:10.19358/j.issn.2097-1788.2024.01.005
引用格式：梁琦，杨晓文. 基于YOLOv7-RS的遥感图像目标检测研究［J］.网络安全与数据治理，2023，43（1）：33-41.
引用格式：梁琦，杨晓文. 基于YOLOv7-RS的遥感图像目标检测研究［J］.网络安全与数据治理，2023，43（1）：33-41.
Research on object detection in remote sensing image based on YOLOv7-RS
Liang Qi 1,2，Yang Xiaowen 2,3,4
1 General Staff of Shanxi PAP, Taiyuan 030012, China; 2 College of Computer Science and Technology, North University of China, Taiyuan 030051, China;3 Shanxi Key Laboratory of Machine Vision and Virtual Reality, Taiyuan 030051, China; 4 Shanxi Province′s Vision Information Processing and Intelligent Robot Engineering Research Center, Taiyuan 030051, China
Abstract： Aiming at the problems of complex background, obscure object features and dense array of small targets in remote sensing image target detection, we propose an improved remote sensing image target detection algorithm Yolov7-RS (Yolov7 Remote Sensing) based on the YOLOv7 algorithm, which improves the target detection accuracy of remote sensing image. Firstly, SimAM is integrated into feature extraction network to reduce the interference of background noise. Secondly, D-ELAN network enhanced feature extraction capability of remote sensing objects is proposed. Thirdly, SIOU loss function is used to improve the convergence rate of the algorithm model. Finally, the allocation strategy of positive and negative samples is optimized to improve the problem of missing detection when small objects are densely arranged in remote sensing images. Experimental results show that the mAP of YOLOv7-RS on NWPU VHR 10 data sets and DOTA data sets reaches 95.4% and 74.1%, which is significantly improved compared with other mainstream algorithms.
Key words : remote sensing image; target detection; YOLOv7-RS; SimAM; D-ELAN; SIOU
引言
遥感图像的目标检测任务旨在从复杂多样的遥感图像中提取用户关注的目标，并对其进行位置和类别的标注。基于遥感图像的目标检测广泛应用于城市交通［1］、应急响应［2］和国防军事［3-4］等方面。如何在海量的遥感图像中精确识别并定位目标仍是现阶段研究的重点。由于遥感图像与自然图像的成像方式不同，遥感目标尺度差异大而且具有旋转不变性，加之遥感图像背景复杂多样，使得遥感图像的目标检测任务更加具有挑战性。因此提高遥感图像的目标检测精度有着重要的研究意义。随着卷积神经网络的发展，当前基于深度学习的目标检测算法主要分为双阶段目标检测和单阶段目标检测。YOLO系列算法是典型的单阶段目标检测算法。YOLOv1［5］在2015年首次提出来，有效解决了两阶段检测网络推理速度慢的问题。
作者信息：
梁琦1,2，杨晓文2,3,4
（1 武警山西总队参谋部，山西太原030012；2 中北大学计算机科学与技术学院，山西太原030051；
3 机器视觉与虚拟现实山西省重点实验室，山西太原030051；
4 山西省视觉信息处理及智能机器人工程研究中心，山西太原030051）
文章下载地址：https://www.chinaaet.com/resource/share/2000005889
此内容为AET网站原创，未经授权禁止转载。