申请/专利权人：西安工业大学

申请日：2024-03-12

公开（公告）日：2024-06-28

公开（公告）号：CN118262090A

主分类号：G06V10/25

分类号：G06V10/25;G06V10/44;G06V10/774;G06V10/82;G06V20/10;G06V20/13;G06N3/0464

优先权：

专利状态码：在审-公开

法律状态：2024.06.28#公开

摘要：本发明涉及遥感图像目标识别技术领域，尤其涉及一种基于LMSFA‑YOLO轻量开集遥感目标检测方法，本发明提出LMSConv，以LMSConv为基础构建轻量级特征提取LMSCSP模块，以SPPF模块为基础构建EMCASPP模块，以高分辨率特征层构建HRFHead；构建出LMSFA‑YOLO遥感目标检测模型；将目标图像输入LMSFA‑YOLO网络中，通过CSP、LMSCSP模块提取特征；通过EMCASPP模块对提取到的特征进行融合，将融合后的特征图输入HRFHead；使用训练好的遥感图像目标检测模型对遥感图像进行检测以获得遥感图像中目标的定位和分类。本发明可以大大减少参数的计算量，提高模型的计算效率；参数量下降35.8%，在VisDrone数据集上分别将F1‑score和mAP提高了4.8%和6.9%。提高了对密集、遮挡、小目标的检测精度与效率，兼顾高速度和高准确性，可有效地部署在计算资源有限的平台上。

主权项：1.一种基于LMSFA-YOLO轻量开集遥感目标检测方法，其特征在于：包括以下步骤：步骤一：获取公开的遥感图像数据集，对数据进行图像预处理；步骤二：建立LMSFA-YOLO轻量开集遥感目标检测模型，设计LMSFA-YOLO的网络架构，包括骨干网络Backbone，颈部网络Neck以及头部网络Head：所述骨干网络Backbone采用CSP-Darknet53网络，通过Conv模块卷积提取输入图像的特征信息形成特征映射，再通过CSPC3_v1和LMSCSP模块，先将基础层的特征映射划分为两部分，然后通过跨阶段层次结构将它们合并，最后通过EMCASPP模块，将骨干网络Backbone提取的特征进行融合后传入颈部网络Neck；所述颈部网络Neck采用FPN和PAN网络，首先通过引入浅层高分辨率的特征图HRF对小目标信息进行信息的筛选和加工，然后通过采用CSPC3_v2模块和LMSCSP模块对筛选后信息进行提取并传递给头部网络Head；所述头部网络Head首先采用ShapeIoU作为边界框回归方式并采用160*160、80*80、40*40的高分辨率检测头HRFHead来对颈部网络Neck的信息进行预测，然后通过使用非极大值抑制NMS算法快速去除因为上一步操作得到的过多的冗余边界框，最终得到检测结果；步骤三：利用S01中预处理后的遥感数据集对S02中搭建的目标检测模型进行训练；步骤四：使用训练好的遥感图像目标检测模型对遥感图像进行检测以获得遥感图像中目标的定位和分类。

全文数据：

权利要求：

百度查询： 西安工业大学 一种基于LMSFA-YOLO轻量开集遥感目标检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD