目标检测论文解读复现【NO.22】多尺度下遥感小目标多头注意力检测

前言

此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。

一、摘要

针对地理空间遥感图像中检测目标存在多尺度特性、形态多变以及小目标判别特征过少等造成检测识别精度不高的问题,提出了基于多尺度下遥感小目标多头注意力检测算法YOLO-StrVB。首先，对网络结构进行重构，搭建多尺度网络模型，增加目标检测层，提高特征提取网络下遥感小目标模型不同尺度下的检测能力；然后，加入双向特征金字塔网络（Bi-FPN）进行多尺度特征融合，提高双向跨尺度连接和加权特征融合；其次，在YOLOv5网络末端融合Swin Transformer多头注意力机制块，提升感受野适应目标识别任务的多尺度融合关系，优化主干网络；最后，使用Varifocal loss对网络进行训练，提升遥感密集检测小目标的存在置信度和定位精度，并选用CIoU作为边界框回归的损失函数，提高感知分类得分（IACS）的边框回归精度。通过在遥感目标数据集NWPU VHR-10上的实验验证，对比YOLOv5原模型的mAP提高了3.05%，能有效提高小目标的检测精度，达到了对地理空间遥感图像中小目标检测的鲁棒性。

二、网络模型及核心创新点

1. SPPF网络

2. 增加检测层

3. 特征融合网络

4. 局部自注意力STR模块

5. 损失函数的改进  

三、应用数据集

本文实验所用数据集为西北工业大学发布的用于空间物体检测的10级地理遥感数据集NWPU VHR-10，其拥有650张包含目标的图像和150张背景图像，共计800张，共含10类目标。本文实验数据集按照4：1分配训练集和测试集，由于所用数据集原始数据较少，又通过裁剪、镜像、亮度调节等数据增强手段额外扩充1950张样本。

四、实验效果（部分展示）

1. 可视化结果对比可知，从各类别目标检测精度来看，本文算法相比YoLov5s原始算法，在提升遥感小目标精确度检测方面比具有较明显的优势。

2. 从下图中对比（a）、（b）可知，本文算法在保持较大目标较高精确度的同时，对比YoLov5s模型，对复杂环境弱小目标检测有着较明显的优势。

五、实验结论

（1）通过构建多尺度STR模块，引入多头注意力，可以增强网络对遥感小目标局部的感知能力，使得对小目标检测更加敏感，从而能够更好的捕获到小目标类别，提升检测精度和识别率。

（2）通过增加检测层，融入Bi-FPN构建多尺度网络，可以增强对遥感小目标更多语义信息的获取，而能够减少背景信息对目标的影响，降低一定的误检率和漏检率。

（3）通过改进损失函数，优化因目标前景、背景类别不均衡导致真实框和预测框的差异，能够更好的预测遥感小目标候选框的得分，进一步提升边框回归精度，从而在提高识别率的同时进一步降低对小目标的误检和漏检。

六、投稿期刊介绍

注：论文原文出自张朝阳，张上，王恒涛，冉秀康．多尺度下遥感小目标多头注意力检测[J/OL]．计算机工程与应用.

https://kns.cnki.net/kcms/detail//11.2127.TP.20221215.1131.007.html

解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。