申请/专利权人：燕山大学

申请日：2021-10-29

公开（公告）日：2024-05-14

公开（公告）号：CN113971764B

主分类号：G06V20/13

分类号：G06V20/13;G06V10/44;G06V10/764;G06V30/19;G06V10/82;G06N3/0464;G06N3/084

优先权：

专利状态码：有效-授权

法律状态：2024.05.14#授权;2022.02.15#实质审查的生效;2022.01.25#公开

摘要：本发明公开了一种基于改进YOLOv3的遥感图像小目标检测方法，属于深度学习及目标检测技术领域，包括数据集预处理；优化YOLOv3网络，在Neck中加入空洞卷积组模块、特征强化模块和通道注意力机制模块；在线数据增强；前向推理；改进损失函数；选择在验证集上检测精度和召回率最高的YOLOv3网络模型载入网络等步骤。本发明通过改进损失函数和在YOLOv3原网络中加入空洞卷积组模块、特征强化模块、通道注意力机制模块以改进YOLOv3检测网络，性能明显提升，对遥感图像中的目标检测更全面，精度更高，而且提高了训练速度和整体检测精度。

主权项：1.一种基于改进YOLOv3的遥感图像小目标检测方法，其特征在于：包括以下步骤：步骤1，数据集预处理：获取训练遥感图像组成数据集，对数据集进行格式转换，并将数据集随机划分为训练验证集和测试集，在训练时采用交叉验证的方式对YOLOv3网络模型评估；步骤2，对YOLOv3网络进行优化：在Neck中加入空洞卷积组模块、特征强化模块和通道注意力机制模块；所述空洞卷积组模块能够适应多尺度图片输入，扩大网络感受野；将输入特征分别经过三个离心率不同的空洞卷积分支后的三个结果再与原特征在通道上叠加，最后将融合后的特征传递给下个模块；所述特征强化模块能够将物体位置信息丰富而语义信息较少的浅层特征与物体语义信息丰富而位置信息较少的深层特征融合，融合不同分辨率的特征；将四倍下采样特征经过3×3的卷积核后与八倍下采样特征在通道上叠加，将八倍下采样特征经过3×3的卷积核后与十六倍下采样特征在通道上叠加，将两个叠加特征分别经过两个1×1的卷积核后输入下一个模块；所述通道注意力机制模块能够排除干扰，从复杂背景中提取对检测更为关键的物体特征信息，赋予特征各通道权值以加强全局特征；在两个叠加特征之后分别使用通道注意力机制，扩大每个特征像素的观察范围；步骤3，在线数据增强：在训练集中每次随机选择相同数量的图片，对其在线图像数据增强后输入优化后的YOLOv3网络；步骤4，前向推理：优化后的YOLOv3网络中的Head负责根据融合的特征推断出物体坐标和类别，获得包围目标物体的边框坐标、物体类别和置信度；步骤5，改进损失函数：根据函数值迭代训练并更新参数，每次迭代后在验证集上评估；步骤6，训练结束：选择在验证集上检测精度和召回率最高的优化的YOLOv3网络模型载入网络。

全文数据：

权利要求：

百度查询： 燕山大学 一种基于改进YOLOv3的遥感图像小目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD