基于深度学习的遥感图像目标检测技术研究.pdf

摘要

近年来，随着目标检测技术的不断发展，所应用到的领域也越来越广泛，而遥感

目标检测作为其中的一个应用场景，因为其覆盖范围广、涵盖目标多的特点被广泛的

应用在城市交通检测、军事行动等领域。尤其在城市交通检测领域中，可以通过对覆

盖范围广的遥感图像进行路面车辆检测，根据检测所得信息对交通秩序进行管理以及

合理的车辆行驶路线优化。遥感图像因具有拍摄高度的特点，所以在图像中存在着众

多尺寸较小、背景复杂的目标，这给遥感图像目标检测带来了更大的挑战。除此以外，

随着遥感图像的尺寸和数据量不断增大，为了提升检测性能，模型也变得更深更复杂。

这虽然有利于提高检测精度，但是也增加了模型部署的难度。在对模型复杂度有严格

要求的应用场景中，例如军事领域需要在无人机等设备上进行监测任务，过于复杂的

模型将难以部署。针对这两大挑战，本文展开了基于深度学习的遥感图像目标检测技

术研究，具体工作如下：

(1)针对遥感图像中目标排列紧密、背景信息复杂、小目标众多导致的目标检测

精度低的问题，本文提出了一种基于改进Yolov5s的遥感图像目标检测算法。首先，

在特征提取网络的底端引入了本文所提出的T-ConvNeXtBlock，通过大核卷积与自

注意力交互扩宽感受野，丰富语义信息；其次，设计了特征融合结构Double-neck，

弥补遥感图像中小目标因为深度卷积而损失的位置信息；最后，引入SIoU损失函数，

重新定义惩罚指标，并加快整体网络的收敛速度。将所提出的检测算法在遥感数据集

RSOD上进行了消融实验，平均检测准确率为92.27%，实验结果表明，所提算法能够

在遥感图像目标检测任务上获得更好的表现。

(2)针对目前遥感图像检测算法网络结构复杂、参数量大导致的实时检测性能较

差的问题,本文提出了一种轻量级遥感图像目标检测算法。首先，以MobileNetv3_block

为基础构建了轻量级特征提取网络MobileNetv3-lit，降低特征提取网络部分的参数，

减少计算消耗；其次，提出浅层特征增强模块和引入注意力机制所提出的C3CA结

构，保留目标位置信息、扩宽特征图的感受野；最后，基于GSConv提出了轻量级特

征融合结构FPN-lit，进一步降低网络参数。在遥感数据集UCAS-AOD与DIOR上进

行验证性实验，结果表明，所提算法的检测精度(mAP)分别达到了91.76%与72.59%。

本文提出的模型参数量仅4.25M，算法鲁棒性强，实现了以轻量级网络对遥感图像的

准确检测。

(3)设计并实现了一个遥感图像目标检测系统。以本文所提出的遥感图像目标检

测算法为基础，设计了能够支持实现准确检测的遥感图像目标检测系统的整体框架和

功能模块。系统能够准确地识别遥感图像中的各类目标。该系统具备直观的可视化界

面，用于展示目标检测的结果。在经过充分的测试和验证后，证明该系统在遥感图像

中实现了高效的目标检测，能够灵活切换目标检测模型并进行性能比较，同时提供直

观的检测结果展示。

关键词：遥感图像；目标检测；小目标；特征融合；轻量级

Abstract

Inrecentyears,withthecontinuousdevelopmentoftargetdetectiontechnology,the

applicationtoawiderandwiderrangeoffields,andremotesensingtargetdetectionasone

oftheapplicationscenarios,becauseofitswidecoverage,coveringawiderangeof

characteristicsofthetargetiswidelyusedinthefieldofurbantrafficdetection,military

operationsandotherfields.Especiallyinthefieldofurbantrafficdetection,roadvehicles

canbedetectedbyre