目标检测论文解读复现之十三：改进YOLOv5s的遥感图像目标检测

前言

一、摘要

 针对遥感图像中感兴趣目标特征不明显、背景信息复杂、小目标居多导致的目标检测精度较低的问题，本文提出了一种改进YOLOv5s的遥感图像目标检测算法（Swin-YOLOv5s）。首先，在骨干特征提取网络的卷积块中加入轻量级通道注意力结构，抑制无关信息的干扰；其次，在多尺度特征融合的基础上进行跨尺度连接和上下文信息加权操作来加强待检测目标的特征提取，将融合后的特征图组成新的特征金字塔；最后，在特征融合的过程中引入Swin Transformer网络结构和坐标注意力机制，进一步增强小目标的语义信息和全局感知能力。将本文提出的算法在DOTA数据集和RSOD数据集上进行消融实验,结果表明,本文提出的算法能够明显提高遥感图像目标检测的平均准确率。

二、网络模型及核心创新点

创新点：

1.卷积块通道注意力模型

2.多尺度特征融合

3. 损失函数

三、应用数据集

本文所使用的数据集为DOTA数据集和RSOD数据集。DOTA数据集有2806张图片，188282个实例，共15个类别。

四、实验效果（部分展示）

1. 将本文改进的模型与其他主流目标检测算法在DOTA数据集上进行了实验对比，实验结果如下表所示。

2. 本文对DOTA数据集上的测试结果进行了可视化展示，如下图所示。

五、实验结论

经过实验对比，本文算法相比于原始的YOLOv5s，平均检测准确率在DOTA数据集和RSOD数据集上分别提升了4.1%和5.3%，由此表明本文算法在遥感图像目标检测领域的有效性。

六、投稿期刊介绍