带有辅助网络的YOLOv3遥感图像目标检测

作     者：曲振方 

作者单位：黑龙江大学 

学位级别：硕士

导师姓名：朱福珍

授予年度：2022年

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

主      题：YOLOv3 SE注意力机制 自适应特征融合 CBAM注意力机制 DIoU损失函数 

摘      要：遥感图像目标检测近些年来已被广泛应用于军事民生领域,但是受限于大部分遥感目标物相对来说比较小,不具有足够的特征以供现有的深度学习网络学习,因此如何增强现有的深度学习网络的特征提取能力就显得尤为重要,本文对YOLOv3目标检测网络进行研究和改进,具体研究内容及创新工作如下:首先,提出了一种基于YOLOv3的双通道特征提取网络,其目的是能够增强YOLOv3的特征提取能力。辅助网络与YOLOv3主干网络平行连接,但是辅助网络的卷积核与主干网络有所不同,这有利于提取多样的特征增加特征输出的种类。并且为了使得辅助网络的特征更易于整合,在其尾部采用压缩-激励注意力机制(Squeeze-and-Excitation,SE),使得网络能够学习到特定目标的通道特征并且起到整合辅助网络的特征的作用。并且最后经由实验测试得本部分方法相较于原始YOLOv3的m AP提高了8.68%。其次,提出了一种改进的带有辅助网络YOLOv3网络,为了使网络学习到空间与通道特征,使用了效果更为优秀的卷积块注意力机制(Convolutional Block Attention Module,CBAM)。YOLOv3的输出是分层的,换而言之YOLOv3无法融合深层的语义信息与浅层的细节信息,这大大的降低了特征的表达能力,所以本文中采用自适应特征融合(Adaptively Spatial Feature Fusion,ASFF)的方法使得特征能够更加充分的融合。YOLOv3的损失函数收敛速度慢,训练时间较长,所以本文使用了收敛速度更快更稳定的DIo U损失函数,并且针对上述改进均做出对比试验,m AP相比原本的辅助网络提高了5.36%,检测速度也比原本的辅助网络高出3.07FPS。最后,设计并实现了一套基于PyQt5的遥感图像目标检测软件平台,使得本文方法可以更加便利而直观的被复现出来。