PSC-YOLO:一种遥感图像小目标检测方法

摘要

针对无人机和卫星获取的高分辨率遥感图像在国土资源调查、城市规划、生态监测和灾害预警等应用中对目标检测精度要求不断提高以及传统目标检测方法在处理目标尺度差异大、背景复杂、低对比度和样本稀缺等情况下表现不足,特别是在多尺度目标和复杂背景场景中小目标检测能力有限的情况,笔者提出了一种改进的YOLO (you only look once)小目标遥感图像识别算法PSC-YOLO(parallel spatia channel YOLO)。该算法基于YOLO11n框架,并通过引入多种特征增强与优化机制提升模型对小目标及复杂背景的表征能力。首先,在主干网络中引入PMKCA (parallel multi-kernel channel attention)模块,通过并行多核卷积与通道注意力机制增强多尺度特征提取能力,提高模型的全局特征建模能力;其次,在SPPF (spatial pyramid pooling fast)特征融合层嵌入SPPCA (spatial pyramid pooling channel attention)模块,通过多尺度池化与通道注意力机制提升模型对小目标的感知能力;随后,在C3k2结构中引入C3k2＿HLCA (hybrid local channel attention)模块,通过局部特征增强与通道注意力机制优化特征表达,从而进一步提升小目标检测精度;最后,设计自适应置信度阈值调整函数,对N MS (non-maximum suppression)过程进行优化,以减少冗余检测框并提高检测性能。实验结果表明,在西北工业大学高分辨率10类遥感(Northwestern Polytechnical University very high resolution-10,NWPU VHR-10)数据集上,PSC-YOLO的检测性能优于YOLOv5、YOLOv10、YOLO11n和YOLO12。在mAP50和mAP50-95指标上,PSC-YOLO分别比YOLOv5提升0.8%和2.0%,比YOLOv10提升1.5%和2.0%,比YOLO11n提升0.8%和2.0%,比YOLO12提升1.5%和2.0%。实验结果表明,所提出的PSC-YOLO能够在复杂背景和多尺度目标场景中有效减少漏检,提高小目标检测精度,并具有更好的稳定性。

关键词

小目标检测 / 地物识别 / 深度学习 / YOLO / 遥感图像

基金资助

国家自然科学基金面上项目(42171407); 吉林省教育厅科学研究项目(JJKH20241288KJ)