基于改进YOLOv8的遥感图像目标检测算法

摘要

针对遥感图像背景复杂、小目标数量多、目标尺度各异的特点，提出一种基于改进YOLOv8的遥感图像目标检测算法。首先，在主干网络引入深度可分离卷积(DSConv),减少模型的计算量和参数量，提升计算效率；其次，为提升对遥感图像的目标检测能力，在颈部(Neck)添加一种高效通道空间注意力模块(ECSA),通过对通道和空间特征的融合提高模型的识别能力；最后，增加检测尺度为160×160的小目标检测层，提升图像中小目标检测能力，并将边界框损失函数替换为SIoU,关注预测边界框与真实边界框的角度信息，提升检测精度。在遥感图像数据集SIMD上的实验结果表明：改进YOLOv8算法具备更强的特征提取能力，与YOLOv8算法相比，平均精度均值提升了2.63%,模型参数量减少了19.43%,模型计算量减少了28.31%,证明了改进YOLOv8算法的有效性。

关键词

目标检测 / YOLOv8 / 遥感图像 / 损失函数 / 注意力机制