基于轻量化YOLOv4机场场面遥感图像目标检测方法#br#

doi:10.3969/j.issn.1006-2475.2024.02.015

计算机与现代化 ›› 2024, Vol. 0 ›› Issue (02): 93-99.doi: 10.3969/j.issn.1006-2475.2024.02.015

基于轻量化YOLOv4机场场面遥感图像目标检测方法#br#

（中国民用航空飞行学院空中交通管理学院，四川德阳 618300）

出版日期:2024-02-19 发布日期:2024-03-19
作者简介: 作者简介：杨轲（1998—），男，山西长治人，硕士研究生，研究方向：航空运行管理，E-mail： joey4069@163.com；通信作者：董兵（1978—），男，四川广汉人，教授，研究方向：航空运行管理，E-mail： dbcafuc@126.com；吴悦（1998—），女，山西临汾人，硕士研究生，研究方向：航空运行管理，E-mail： 1026570470@qq.com；郝宽公（1997—），男，山东临沂人，硕士研究生，研究方向：航空运行管理，E-mail： hkgxxzjcyzw@163.com；彭自琛（1997—），男，广东深圳人，硕士研究生，研究方向：航空运行管理，E-mail： 3304706198@qq.com。
基金资助:
四川省科技计划项目（2022YFG0197）；民用航空飞行学院重点科研项目（ZJ2021-09）

Lightweight YOLOv4-based Target Detection Method for Remote Sensing Images of#br# Airport Fields

（College of Air Traffic Management， Civil Aviation Flight University of China， Deyang 618300， China）

Online:2024-02-19 Published:2024-03-19

摘要/Abstract

摘要： 摘要：针对现有遥感图像目标检测方法存在深层CNN丢失局部特征信息、复杂场景检测精度低的问题，提出一种基于轻量化YOLOv4的目标检测方法。首先，采用轻量级神经网络Ghostnet替代YOLOv4中作为主干特征提取的CSPdarknet53网络；其次，为改善复杂环境检测能力，采用CycleGAN仿真夜间场景；再次，融合Transformer模块，使模型易于采集网络特征间关系和局部信息；最后，采用Adam优化器和K-means++筛选锚框的方式加速收敛速度，并以RSOD航空遥感数据集进行实例验证。实验结果表明本文算法较原YOLOv4的MAP值提高了6.65个百分点，参数量减小了84.7%，可以满足复杂场景下的机场场面航空器实时目标检测。

关键词: 关键词：实时目标检测, 遥感图像, 复杂场景, 机场场面

Abstract: Abstract： Aiming at the problems that existing remote sensing image target detection methods suffer from the loss of local feature information in deep CNNs and low detection accuracy of complex scenes， a target detection method based on lightweight YOLOv4 is proposed. Firstly， the lightweight neural network Ghostnet is used to replace the cspdarknet53 network used as the backbone feature extraction in YOLOv4. Secondly， to improve the complex environment detection capability， CycleGAN is used to simulate night scenes， and again， the transformer module is fused to make the model easy to capture inter-feature relationships and local information of the network. Finally， Adam optimiser and K-means++ screening anchor frame are used to accelerate the convergence speed， and the example is validated with RSOD aerial remote sensing dataset. The experimental results show that the MAP value is improved by 6.65 percentage points and the number of parameters is reduced by 84.7% compared with the original YOLOv4， i.e. the algorithm in this paper can meet the real-time target detection of aircraft on the airport field in complex scenes.

Key words: Key words： real-time target detection, remote sensing image, complicated scene, airport field

中图分类号:

TP751

杨轲, 董兵, 吴悦, 郝宽公, 彭自琛. 基于轻量化YOLOv4机场场面遥感图像目标检测方法#br#[J]. 计算机与现代化, 2024, 0(02): 93-99.

YANG Ke, DONG Bing, WU Yue, HAO Kuan-gong, PENG Zi-chen. Lightweight YOLOv4-based Target Detection Method for Remote Sensing Images of#br# Airport Fields[J]. Computer and Modernization, 2024, 0(02): 93-99.

参考文献

［1］ KRIZHEVSKY A， SUTSKEVER I， HINTON G E. ImageNet classification with deep convolutional neural networks［J］. Communications of the ACM， 2017，60（6）：84-90.
［2］ GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// 2014 IEEE Conference on Computer Vision and Pattern Recognition. 2014：580-587.
［3］ GIRSHICK R. Fast R-CNN［C］// 2015 IEEE International Conference on Computer Vision （ICCV）. 2015：1440-1448.
［4］ REN S Q， HE K M， GIRSHICK R， et al. Faster R-CNN： Towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017，39（6）：1137-1149.
［5］ HE K M， GKIOXARI G， DOLLÁR P， et al. Mask R-CNN［C］// Proceedings of the 2017 IEEE International Conference on Computer Vision. 2017：2980-2988.
［6］ LIU W， ANGUELOV D， ERHAN D， et al. SSD： Single shot multiBox detector［C］// Computer Vision-ECCV 2016. 2016：21-37.
［7］ REDMON J， DIVVALA S， GIRSHICK R， et al. You only look once： Unified， real-time object detection［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2016：779-78.
［8］ REDMON J， FARHADI A. YOLO9000： Better， faster， stronger［C］// 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2017：6517-6525.
［9］ REDMON J， FARHADI A. YOLOv3： An incremental improvement［J］. arXiv preprint arXiv：1804.02767， 2018.
［10］ BOCHKOVSKIY A， WANG C Y， LIAO H M. YOLOv4： Optimal speed and accuracy of object detection［J］. arXiv preprint arXiv：2004.10934， 2020.
［11］ YUN S D， HAN D Y， CHUN S H Y， et al. CutMix： Regularization strategy to train strong classifiers with localizable features［C］// 2019 IEEE/CVF International Conference on Computer Vision （ICCV）. 2019：6022-6031.
［12］ YU J H， JIANG Y N， WANG Z Y， et al. UnitBox： An advanced object detection network［C］// Proceedings of the 24th ACM International Conference on Multimedia. 2016：516-520.
［13］ ZHENG Z H， WANG P， LIU W， et al. Distance-ioU loss： Faster and better learning for bounding box regression［J］. arXiv preprint arXiv：1911.08287， 2019.
［14］ HE K M， ZHANG X Y， REN S Q， et al. Deep residual learning for image recognition［C］// 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2016：770-778.
［15］ HU J， SHEN L， SUN G. Squeeze-and-Excitation networks［C］// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2018：7132-7141.
［16］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［J］. arXiv preprint arXiv：1706.03762， 2017.
［17］ DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for image recognition at scale［J］. arXiv preprint arXiv：2010.11929， 2020.
［18］ KINGMA D P， BA J M M. Adam： A method for stochastic optimization［J］. arXiv preprint arXiv：1412.6980， 2014.
［19］ ARTHUR D， VASSILVITSKII S. K-means++： The advantages of careful seeding［C］// Proceedings of the 18th Annual ACM-SIAM Symposium on Discrete Algorithms. 2007：1027-1035.
［20］ LONG Y， GONG Y P， XIAO Z F， et al. Accurate object localization in remote sensing images based on convolutional neural networks［J］. IEEE Transactions on Geoscience and Remote Sensing， 2017，55（5）：2486-2498.
［21］ XIAO Z F， LIU Q， TANG G F， et al. Elliptic fourier transformation-based histograms of oriented gradients for rotationally invariant object detection in remote-sensing images［J］. International Journal of Remote Sensing， 2015，36（2）：618-644.
［22］朱仕宁，胡晓斌，彭太乐. 基于改进YOLOv3的道路目标检测［J］. 江汉大学学报（自然科学版）， 2023，51（1）：89-96.
［23］朱杰. 基于YOLOv4-tiny改进的口罩检测算法［D］. 长春：中国科学院大学（中国科学院长春光学精密机械与物理研究所）， 2021.
［24］于海洋，吕瑞宏，于海龙，等. 基于改进YOLOv4的飞机遥感影像目标检测算法［J］. 智能计算机与应用， 2023，13（2）：15-19.

[1]	刘宝宝, 杨菁菁, 陶露, 王贺应. 基于注意力的DSMSC的遥感图像场景分类[J]. 计算机与现代化, 2024, 0(12): 72-77.
[2]	薛杨义1, 周立凡2, 龚声蓉1, 2. 用于遥感图像目标检测的少样本算法[J]. 计算机与现代化, 2024, 0(02): 43-49.
[3]	许叶彤, 耿信哲, 赵伟强, 张月, 宁海龙, 雷涛. 基于CNN-Transformer混合结构的遥感影像变化检测模型[J]. 计算机与现代化, 2023, 0(07): 79-85.
[4]	龚轩, 郭中华, 陈旺. 基于CA-TransUNet的遥感图像道路分割[J]. 计算机与现代化, 2023, 0(07): 112-118.
[5]	邱地发, 于淑芳, 刘锦辉, 毕梦昭. 基于YOLOv5s的遥感图像的车辆小目标检测[J]. 计算机与现代化, 2023, 0(05): 122-126.
[6]	朱理清, 李祥, . 改进YOLOv5算法的遥感图像车辆检测[J]. 计算机与现代化, 2023, 0(05): 117-121.
[7]	焦新泉, 李睿康, 陈建军. 基于改进的MoCo的遥感图像目标检测[J]. 计算机与现代化, 2022, 0(12): 88-94.
[8]	谭金林, 范文童, 刘亚虎, 梁志锋, 王梁, 刘斌, 黄斌. 基于软硬件协同加速框架的遥感图像目标检测[J]. 计算机与现代化, 2022, 0(06): 109-115.
[9]	屈晓渊, 张永恒. 基于主动学习的遥感图像地块目标分类[J]. 计算机与现代化, 2021, 0(11): 50-55.
[10]	苏浩, 丁胜, 章超华, . 主动迁移学习的海上任意方向船只目标检测[J]. 计算机与现代化, 2021, 0(09): 21-30.
[11]	赵启雯, 徐琨, 徐源. 基于HED网络的快速纸张边缘检测方法[J]. 计算机与现代化, 2021, 0(05): 1-5.
[12]	涂鑫, 王滨. FRDet:一种基于候选框特征修正的多方向遥感目标快速检测方法[J]. 计算机与现代化, 2021, 0(02): 35-39.
[13]	孟曦婷, 计璐艳, . 多阶段遥感图像目标检测方法研究[J]. 计算机与现代化, 2020, 0(09): 66-72.
[14]	李华莹1,林道玉2,张捷1,刘必欣1 . 基于生成对抗网络的遥感图像去云算法[J]. 计算机与现代化, 2019, 0(11): 13-.
[15]	宋萍1,2,3，许光銮2，3，周沿海4，郭智2,3，闫梦龙2,3，张益霏2. 基于MRNSSD模型的遥感图像中飞机目标检测方法[J]. 计算机与现代化, 2018, 0(12): 110-.

基于轻量化YOLOv4机场场面遥感图像目标检测方法#br#

Lightweight YOLOv4-based Target Detection Method for Remote Sensing Images of#br# Airport Fields

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价