摘要：针对RetinaNet在遥感目标检测任务中多尺度、密集小目标问题,提出了ACFEM-RetinaNet遥感目标检测算法。针对原主干特征提取不充分的问题,采用Swin Transformer作为主干网络,以提升算法的特征提取能力,提高检测精度。针对遥感图像多尺度问题,提出自适应上下文特征提取模块,使用SK注意力引导不同空洞率的可变形卷积自适应调整感受野、提取上下文特征,改善多尺度目标检测效果。针对遥感图像中密集小目标问题,引入FreeAnchor模块,从极大释然估计的角度设计优化锚框匹配策略,提高检测精度。实验结果表明,在公共遥感图像目标检测数据集RSOD上,ACFEM-RetinaNet算法取得了91.1%的检测精度,相较于原算法提高了4.6个百分点,能更好地应用于遥感图像目标检测。

摘要：现有遥感图像目标检测算法存在参数量大、检测速度慢和难以部署于移动设备的问题,为此,本文提出了一种无锚框的轻量级遥感图像目标检测算法.首先设计了DWS-Sandglass轻量化模块以降低模型体积,并改进模型激活函数,以确保检测精度.然后引入无参数注意力模块SimAM,使网络能够专注于更重要的特征信息.最后对无锚框算法的冗余通道进行剪枝操作以减少模型参数量,并通过微调回升精度.在HRSC2016数据集上的实验结果表明,与当前主流的无锚框检测算法相比,该算法在检测精度相当的情况下检测速度更快、模型体积更小,更适合在移动设备部署.

摘要：针对遥感图像中目标排列密集且方向不相同,导致现有检测算法难以准确定位实例目标的问题,提出了一种遥感图像密集小目标全方位精准检测算法。首先,为提升特征提取能力,在主干网络的残差结构中引入Meta-ACON激活函数,自适应地学习信道特征的重要性;其次,提出一种加强连接特征金字塔网络,重新设计了用于深浅层特征融合的侧向连接部分,并在同层次特征图输入与输出之间添加了跳跃连接,丰富特征语义信息;再次,引入角度预测分支,使用环形平滑标签方法将角度回归问题转化为分类问题,在实现目标框旋转的同时解决了旋转框边界突变的问题;最后,设计针对旋转检测框的后处理方法(Rotate-Soft-NMS),通过抑制检测框的置信度去除相邻的重复旋转检测框。在DOTA数据集上的实验结果表明:该算法的平均精度均值达到76.15%,相比于基准模型YOLOv5m提升了5.22%,与其他先进算法相比取得了最好的检测结果。本文算法对复杂遥感场景的目标具有更优的检测效果。

摘要：为解决遥感图像目标检测中存在的密集小目标易被漏检以及结构复杂目标检测精度低等问题,设计了一种基于YOLOX的检测器.首先,构建一种基于全局平均池化金字塔结构的注意力网络(convolutional block spatial net,CBSPNet),并将CBSPNet插入锚点优化空洞卷积改进的残差块内,以增强特征的提取能力和优化对目标边缘的检测;其次,在主干网络中新增一个浅层的输出尺度,使得网络对小目标更为敏感;最后,引入跳跃连接构建优化的特征融合网络,提高特征在多尺度空间中的融合能力.实验结果表明:改进的YOLOX模型(R-YOLOX)对遥感密集小目标和不规则大目标均具有良好的检测性能,在多场景的检测任务中展现了较强的鲁棒性;R-YOLOX网络在RSOD遥感图像数据集上的平均检测精度较YOLOX提高了1.15%,且检测速率达31帧·s^(-1),满足实时检测的要求.

摘要：针对基于卷积神经网络的遥感目标检测模型压缩问题,基于卷积核剪枝理论,设计了卷积通道剪枝的方案,对YOLOv3模型进行精简压缩。提出卷积通道的概念并将BN层系数作为卷积通道的评估因子,使用L1正则化将评估因子稀疏化,将评估因子值较小的卷积通道剔除,再对各卷积层中的参数进行微调,从而达到模型压缩的目的。使用该方法对自制的典型遥感目标检测数据集进行目标检测实验,在剔除90%参数的情况下,测试精度下降率在10%以内。实验结果表明该方法能以较小的精度损失为代价,节省大部分的储存空间和计算量。

摘要：卷积神经网络(Convolutional Neural Network,CNN)是目前主流视觉算法不可或缺的关键部分.为提高CNN模型推理速度,学界提出了众多异构加速方法以满足不同场景下的多元加速需求.但如何在资源与能耗受限的在轨卫星上稳定高效地加速CNN仍是极具挑战的课题.为此,本文通过软硬件协同设计,着力优化微指令编码、指令级并行和运算级并行3个加速器设计的关键部分,在星上常见的Xilinx VX690T FPGA芯片上设计实现了一种微指令序列调度数据流的CNN加速器.在软件层面,本文提出一种可扩展的微指令编码格式及相应的编译方法.通过卷积循环分块和算子融合策略实现图级别优化,生成加速器可执行的微指令序列.在硬件层面,本文设计实现了一个由微控制器与逻辑运算器组成的RTL级CNN加速器.微控制器通过粗粒度流水线实现各类指令的并行执行.逻辑运算器通过DSP48E1计算资源级联所构建的计算阵列实现卷积算子的细粒度并行运算.实验结果表明,加速器设计功耗10.68 W,在加速YOLOV3Tiny算法时,峰值吞吐率(Runtime Max Throughput,RMT)达到378.63 GOP/s,计算资源利用效率(MAC Efficiency,ME)达到91.5%.相较典型GPU加速方法,本文的加速器有14倍能效提升.相较同类FPGA加速器,ME有6.9%以上的提升.