基于RDB-YOLOv5的遥感图像车辆检测 |
| |
引用本文: | 周力,惠飞,张嘉洋,戚建,杨景超,唐翠仁.基于RDB-YOLOv5的遥感图像车辆检测[J].长安大学学报(自然科学版),2024(3):149-160. |
| |
作者姓名: | 周力 惠飞 张嘉洋 戚建 杨景超 唐翠仁 |
| |
作者单位: | 1. 长安大学电控学院;2. 中国建筑第八工程局有限公司;3. 陕西交通控股集团有限公司西安外环分公司 |
| |
基金项目: | 国家重点研发计划项目(2021YBF2501200); |
| |
摘 要: | 为了解决遥感图像中目标密集、目标小车辆检测难的问题,提出基于YOLOv5的改进模型RDB-YOLOv5,并将其首次应用于遥感图像车辆检测领域。首先,针对遥感图像车辆方向任意的问题,对现有基于旋转边界框(rotated bounding box)的目标检测方法环形平滑标签(circular smooth label, CSL)进行改进;其次,针对遥感图像中背景信息复杂,车辆尺寸小导致检测精度降低的问题,提出基于注意力的多尺度目标检测方法,在骨干网络中添加双注意力机制(dual attention mechanism)将局部特征与全局特征相结合,并用空洞卷积进行改进;再借鉴双向特征融合网络(BiFPN)的思想,加入新的浅层特征和深层特征信息传递路径,更好融合浅层中车辆的位置信息,并设计新的检测头,提高网络对小目标车辆的检测能力。研究结果表明,改进的RDB-YOLOv5相比YOLOv5的均值平均精度(mAP)增长2.7%,特别是小型车辆检测提高了3.5%,相较于传统模型RCNN等mAP整体平均提高了10%。RDB-YOLOv5能够在通用数据库上取得较高的检测精度,同时在遥感图像的复杂场景中能...
|
关 键 词: | 交通工程 数字图像处理 遥感图像 车辆检测 旋转边界框 双注意力机制 双向特征融合网络 |
|
|