基于改进YOLOv5的高分遥感影像目标检测算法研究.pdf

摘要

近年来，随着高分辨率遥感卫星成像技术的不断进步以及深度学习在常规影像

[1]

目标检测中取得成功，基于深度学习的高分辨率遥感影像目标检测研究备受瞩目。

该方法主要用于定位和分类高分辨率遥感影像中的目标。其在军事侦察、精确制导

[1]

等军事领域表现出色，同时在城市规划、灾情预测等民用领域也有广泛应用。然

而，与常规自然影像相比，高分辨率遥感影像具有方向不确定、尺度差异大、背景

复杂和排列密集等特点，增加了目标检测的难度。为了解决这些挑战，研究人员不

断改进算法和模型。他们通过设计适用于高分辨率遥感影像的网络架构、优化训练

策略和增加数据样本等手段，来提高目标检测的准确性和鲁棒性。针对高分辨率遥

感影像的特点，本文选择在一阶段目标检测算法YOLOv5上进行创新和改进，改进

之后的算法能够有效解决遥感影像目标检测的难点，具有较高检测精度。

（1）为了解决高分辨率遥感影像中存在的方向不确定、尺度差异大、背景复

杂以及目标排列密集等难题，本文在YOLOv5算法的基础之上提出了一种新的目标

检测算法。首先，采用环形平滑标签的方式来解决方向不确定的问题，同时能够有

效避免角度回归方式带来的边界不连续性问题。其次，本文设计了一个RepConv

模块，用于替换YOLOv5骨干网络中的常规Conv模块，并结合TransformerEncoder

模块有效解决了尺度差异大的问题，同时为了实现各种尺度的特征信息平衡，本文

用BiFPN替换了YOLOv5中的PANet结构。接着，本文设计了C3GAM模块，通

过引入GAM注意力机制有效排除了背景部分的干扰，同时将YOLOv5中的CIoU

损失替换为SIoU损失，提升了密集目标的定位精度。有效解决了背景复杂和排列

密集的问题。最后，将改进后的算法在HRSC2016和UCAS-AOD两大遥感影像数

据集上的精度与当前最先进的高分遥感影像目标检测算法进行实验对比，取得了比

其它遥感影像目标检测算法更好的性能，平均精度mAP分别达到90.29、90.06个

百分点，验证了本文算法的有效性。

（2）针对第一阶段改进的算法进行压缩。改进后的算法相比于YOLOv5模型

在精度上有很大提升，但参数量和计算量高于原始模型，这使得模型在实际应用中

需要大量的计算资源，尤其是对于嵌入式设备、移动端和边缘计算等资源受限的环

境。因此，本章采用通道剪枝的方式对改进后的模型进行压缩。首先，对BN（Batch

Normalization）层的权重使用L1正则化，正则化后的权重具有稀疏性的效果，根

据预设的稀疏比例过滤掉不满足条件的通道，同时剪掉卷积层对应通道的权重。剪

枝完成后在训练集上进行调整，恢复精度。经过实验验证模型的权重大小和计算量

有明显下降。同时，精度有较少的损失。证明了模型剪枝的有效性。

（3）针对当前遥感影像目标检测软件的缺点重新设计并实现了一款基于深度

学习的高分遥感影像目标检测软件。该软件既可用于遥感影像目标检测领域，也可

用于常规图像目标检测领域。该软件包含训练和检测两大核心功能，每个核心功能

又包含对应的子模块。在训练时，用户可以根据实际需要选择相关领域的数据集训

练模型。在检测阶段，用户可以采用不同的模式完成检测任务。包括图像检测、离

线视频检测以及实时摄像头视频检测。该软件简单易使用，具有实际应用价值。

关键词：遥感影像目标检测；YOLOv5；注意力机制；Transformer

ABSTRACT

Inrecentyears,withthecontinuousadvancementofhigh-resolutionremote

sensingsatelliteimagingtechnologyandthesuccessofdeeplearninginconventional

imageobjectdetec