改进LDS＿YOLO网络的遥感飞机检测算法研究

【摘要】：为解决遥感飞机检测算法网络计算复杂、检测精度低的问题，以主流网络 YOLOv4为基础，从提高精度和简化模型两个方面进行改进研究，提出一种轻量级多尺度监督网络 LDS＿YOLO(light dense supervision YOLO）。针对遥感飞机目标细节信息提取不足的问题，改进三组多尺度融合预测层结构，在每一个支路第一次上采样前的四个卷积块之间设计密集连接方式，可以增强融合不同尺度飞机，丰富特征细节信息，提高预测准确率；针对目标特征关联度低的问题，引入一致性监督损失函数，通过监督分类网络辅助预测的同时提高检测精度；通过增加包含全局平均池化层、全连接层和特征映射层的轻量化模块，调整通道结构减少权重模型的特征冗余，降低网络参数量。在保证检测率的基础上将模型参数量降低为 3.6×10~6，计算量为 77 MFLOPs，测试检测率比原始模型损失不到 2.3%，速度达到 17 frame/s；通过与主流检测算法进行对比，分析轻量化后算法模型的抗过拟合能力和鲁棒性，证明轻量化遥感飞机目标检测算法的有效性和可行性。