引入上下文信息和Attention Gate的GUS-YOLO遥感目标检测算法.pdfVIP

计算机科学与探索1673-9418/2024/18(02)-0453-12

JournalofFrontiersofComputerScienceandTechnologydoi:10.3778/j.issn.1673-9418.2305005

引入上下文信息和AttentionGate的GUS-YOLO遥感目标检测算法

+

张华卫，张文飞，蒋占军，廉敬，吴佰靖

兰州交通大学电子与信息工程学院，兰州730070

+通信作者E-mail:1210576271@

摘要：目前基于通用YOLO系列的遥感目标检测算法存在并未充分利用图像的全局上下文信息，在特征融

合金字塔部分并未充分考虑缩小融合特征之间的语义鸿沟、抑制冗余信息干扰的缺点。在结合YOLO算法优

点的基础上提出GUS-YOLO算法，其拥有一个能够充分利用全局上下文信息的骨干网络GlobalBackbone。

除此之外，该算法在融合特征金字塔自顶向下的结构中引入AttentionGate模块，可以突出必要的特征信息，抑

制冗余信息。另外，为AttentionGate模块设计了最佳的网络结构，提出了网络的特征融合结构U-Net。最后，

为克服ReLU函数可能导致模型梯度不再更新的问题，该算法将AttentionGate模块的激活函数升级为可学习

的SMU激活函数，提高模型鲁棒性。在NWPUVHR-10遥感数据集上，该算法相较于YOLOV7算法取得宽松

指标mAP0.501.64个百分点和严格指标mAP0.759.39个百分点的性能提升。相较于目前主流的七种检测算法，

该算法取得较好的检测性能。

关键词：遥感图像；GlobalBackbone；AttentionGate；SMU；U-neck

文献标志码：A中图分类号：TP751.1

GUS-YOLORemoteSensingTargetDetectionAlgorithmIntroducingContextIn-

formationandAttentionGate

+

ZHANGHuawei,ZHANGWenfei,JIANGZhanjun,LIANJing,WUBaijing

CollegeofElectronicandInformationEngineering,LanzhouJiaotongUniversity,Lanzhou730070,China

Abstract:Atpresent,therearestillsomeproblemsintheremotesensingtargetdetectionalgorithmbasedonthe

generalYOLO(youonlylookonce)series,suchasnotmakingfulluseoftheglobalcontextinformationoftheim-

age,notnarrowingthesemanticgapinthefeaturefusionpyramidpart,andnotsuppressingtheinterferenceofre-

dundantinformation.OnthebasisofcombiningtheadvantagesofYOLOalgorithms,thispaperproposesGUS-YOLO

(networkofglobalcontextextractionunitandattentiongate-basedYOLOS)algorithm.I