基于RDB-YOLOv5的遥感图像车辆检测

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...