Verbesserter Algorithmus zur Erkennung von Fernerkundungsbildern mit YOLOv5

Um die Herausforderungen bei der Erkennung von Fernerkundungsbildern zu bewältigen, insbesondere die unzureichende Genauigkeit des YOLOv5-Detektors aufgrund begrenzter Merkmale der Erkennungsziele, komplexer Hintergrundbilder und überwiegend kleiner Ziele, stellt dieser Artikel den RS-YOLOv5-Algorithmus vor, eine Verbesserung des YOLOv5s-Modells. Zuallererst wird die konventionelle Faltung im Backbone-Netzwerk durch volldimensionale dynamische Faltung ersetzt, um die Informationen zu bereichern, die über mehrere Dimensionen gesammelt werden, wodurch die Extraktion der Zielmerkmale verbessert wird. Zudem ersetzt ein entkoppelter Detektionskopf den traditionellen Detektionskopf und verfeinert die Klassifikations- und Positionsbestimmungsaufgaben, während er strategisch Merkmale aus verschiedenen Ebenen nutzt, um Hintergrundinterferenzen bei der Erkennung kleiner Ziele zu mildern. Darüber hinaus soll die Hinzufügung der normalisierten Wasserstein-Distanz (NWD) zur Verlustfunktion die Genauigkeit der Erkennung kleiner Ziele verbessern. Die durchgeführte Ablationsanalyse auf dem DOTA-Datensatz zeigt eine bemerkenswerte Verbesserung der durchschnittlichen Genauigkeit der Objekterkennung in Fernerkundungsbildern, die durch den vorgeschlagenen RS-YOLOv5-Algorithmus ermöglicht wird, was zu einer Steigerung der durchschnittlichen Genauigkeit um 2,5 % im Vergleich zum ursprünglichen Algorithmus führt.