基于CSE-YOLOv5的遥感图像目标检测方法

作     者：沈凌云 郎百和 宋正勋 温智滔 SHEN Lingyun;LANG Baihe;SONG Zhengxun;WEN Zhitao

作者机构：太原工业学院电子工程系山西太原030008 长春理工大学电子信息工程学院吉林长春130022 教育部学科创新引智基地(D17017)吉林长春130022 

基　　金：山西省引进人才科技创新启动基金(21010123) 山西省高等院校大学生创新项目(S202314101195) 吉林省科技发展计划基金(YDZJ202102CXJD007) 

出 版 物：《红外技术》 (Infrared Technology)

年 卷 期：2023年第45卷第11期

页      码：1187-1197页

摘      要：针对复杂任务场景中,目标检测存在的多尺度特征学习能力不足、检测精度与模型参数量难以平衡的问题,提出一种基于CSE-YOLOv5(CBAM-SPPF-EIoU-YOLOv5,CSE-YOLOv5)模型的目标检测方法。模型以YOLOv5主干网络框架为基础,在浅层引入卷积块注意力机制层,以提高模型细化特征提取能力并抑制冗余信息干扰。在深层设计了串行结构空间金字塔快速池化层,改进了统计池化方法,实现了由浅入深地融合多尺度关键特征信息。此外,通过改进损失函数与优化锚框机制,进一步增强多尺度特征学习能力。实验结果显示,CSE-YOLOv5系列模型在公开数据集RSOD、DIOR和DOTA上表现出良好的性能。mAP@0.5的平均值分别为96.8%、92.0%和71.0%,而mAP@0.5:0.95的平均值分别为87.0%、78.5%和61.9%。此外,该模型的推理速度满足实时性要求。与YOLOv5系列模型相比,CSE-YOLOv5模型的性能显著提升,并且在与其他主流模型的比较中展现出更好的检测效果。

主 题 词：遥感图像 目标检测 注意力机制 金字塔快速池化 多尺度目标 

学科分类：081203[081203] 08[工学] 0835[0835] 0812[工学-测绘类] 

核心收录：

馆 藏 号：203124736...