序文
以前に目標改善アルゴリズムのコラムを掲載しましたが、どのようなシナリオに適用すればよいのか、自分の適用シナリオに効果をもたらすためにはどのような改善手法が必要なのか、どのレベルの記事までどれだけ改善すればよいのか、皆様の混乱を解決するために、このシリーズの記事は、最新のターゲット検出アルゴリズムの論文をすべての人に解釈して、疑問の解決に役立てることを目的としています。解釈された一連の記事では、革新的なポイント コードを再現しており、困っている友人はプライベート メッセージに注意を払うことができます。
1. 概要
リモートセンシング画像処理分野において物標検出は重要な技術ですが、リモートセンシング画像中には多種多様な物標が存在し、また、検出が困難な物体も存在します。YOLOv5 アルゴリズムをリモート センシング画像ターゲット検出に適用する方法を提案する. まず YOLOv5x を選択してネットワーク モデルを構築し, 次にサンプル セットをモザイク データ強化を通じて前処理し, 適応アンカー フレーム スクリーニング法を使用してネットワーク モデルを決定します。アンカー フレームのサイズを決定し、スライス コンボリューション演算を取得します。元の特徴マップは、最適な重みを取得するために特徴融合のためにバックボーン ネットワークに送信されます。最後に、GIOU 損失がバウンディング ボックスの損失関数として使用され、リモートセンシング画像上でターゲット検出を実行するための非最大抑制ターゲットボックスのスクリーニング。提案モデルの物体検出性能を評価するために、10 種類の地理空間オブジェクトの公開データセット (NWPU-VHR10) に対して検出実験が実行されます。比較実験の結果、この論文のモデルの mAP は 0.9239 に達することがわかりました。同じデータセットを使用したモデルの最良の結果と比較して、mAP は 1.78% 増加しました。この方法により、リモート センシング画像におけるターゲット検出の精度が向上します。 。
2. ネットワークモデルと核となるイノベーションポイント
1. モザイクデータの強化
2. 適応的な方法
3.GIOU損失関数
4. 非最大抑制 (NMS)
3. アプリケーションデータセット
NWPU-VHR10 データセットは、Google Earth とファイヒンゲンのデータセットから収集されたリモート センシング画像であり、専門家によって対象物体がマークされます。データセットは 800 枚の画像で構成されており、その中には検出対象の少なくとも 1 つの物体を含む 650 枚のポジティブ画像のセット、特定のオブジェクト クラスの物体を含まない 150 枚のネガティブ画像のセット、および各クラスの 80 枚のリモート センシング画像が含まれます。
4. 実験結果（一部表示）
モデルの検出性能を評価するために、この論文では、トレーニングとテストの比率が異なるリモート センシング データ セットをランダムに選択し、異なる比率の画像データ セット サンプルを使用してモデルをトレーニングし、9 つの最適な重み値を取得し、10 グループの異なるテストセットの異なる比率で実験を行います。10 グループの異なるテストの mAP 結果を計算することで、最終的に算術平均 mAP 値が得られます。
- 以下の図は、物体検出時のさまざまな比率の再現曲線を示しています。
2.以下の表は、これらの比率に従ってデータセットを調整した実験の算術平均 mAP 値を示しています。
5. 実験の結論
実験結果は、YOLOv5アルゴリズムの適用によりリモートセンシング画像ターゲットを迅速に検出でき、平均精度と平均精度が大幅に向上し、異なる比率を持つ9セットのデータセットが使用され、検証されたモデルが良好なロバスト性を備えていることを示しています。
6. 雑誌の紹介
注:論文の原文は、Xing Yuchi、Li Dajun、Ye Famao. Target detecting in Remote Sensing Images based on YOLOv5. Jiangxi Science. Volume 39, Issue 4, August 2021 によるものです。
一連の解釈記事のために、革新的なコードを再現しましたので、必要な友達は、次の公式アカウントに注目して、私にプライベートメッセージを送ってください。