머리말
목표 개선 알고리즘 칼럼은 이전에도 올렸지만, 어떤 시나리오를 적용해야 하는지, 자신의 적용 시나리오에 어떤 개선 방법이 있어야 효과를 볼 수 있는지, 글의 수준은 어느 정도까지 개선할 수 있는지 모두의 혼란을 풀기 위해, 이 기사 시리즈는 모든 사람을 위해 최신 대상 탐지 알고리즘 논문을 해석하고 의심에 답하는 데 도움을 주는 것을 목표로 합니다. 해석 된 일련의 기사에서 혁신적인 포인트 코드를 재현했으며 도움이 필요한 친구는 개인 메시지에주의를 기울일 수 있습니다.
1. 요약
표적 탐지는 원격탐사 영상처리 분야에서 중요한 기술로, 원격탐사 영상에는 표적의 종류가 많고 탐지하기 어려운 표적물체가 존재한다. YOLOv5 알고리즘을 원격탐사 영상 표적 탐지에 적용하는 방법을 제안한다. Anchor Frame의 크기를 결정한 후 Slice Convolution 연산을 수행 원본 Feature Map을 Backbone Network로 전송하여 Feature Fusion을 통해 최적의 가중치를 얻음 마지막으로 Bounding Box의 Loss Function으로 GIOU Loss를 사용 원격 감지 이미지에서 표적 탐지를 수행하기 위해 최대가 아닌 억제 대상 상자를 스크리닝합니다. 제안하는 모델의 객체 탐지 성능을 평가하기 위해 10가지 유형의 공간 객체(NWPU-VHR10)의 공개 데이터 세트에 대한 탐지 실험을 수행합니다. 비교 실험을 통해 본 논문의 모델의 mAP가 0.9239에 도달하여 동일한 데이터 세트를 사용하는 모델의 최상의 결과와 비교하여 mAP가 1.78% 증가하여 원격 감지 이미지에서 표적 탐지 정확도를 향상시킬 수 있습니다. .
2. 네트워크 모델 및 핵심 혁신 포인트
1. 모자이크 데이터 개선
2. 적응형 방법
3. GIOU 손실 함수
4. 비최대 억제(NMS)
3. 애플리케이션 데이터 세트
NWPU-VHR10 데이터셋은 Google Earth와 Vaihingen 데이터셋에서 수집한 원격탐사 영상으로 전문가가 대상 물체를 표시합니다. 데이터 세트는 800개의 이미지로 구성되며, 여기에는 적어도 하나의 감지할 물체가 포함된 650개의 긍정적인 이미지 세트, 주어진 객체 클래스의 물체를 포함하지 않는 150개의 부정적인 이미지 세트 및 각 클래스에 대한 80개의 원격 감지 이미지 세트가 포함됩니다.
4. 실험결과(부분표시)
모델의 탐지 성능을 평가하기 위해 본 논문에서는 학습 비율과 테스트 비율이 다른 원격탐사 데이터 세트를 무작위로 선택하고, 이미지 데이터 세트 샘플의 비율을 달리하여 모델을 훈련시키고, 9개의 최적 가중치를 얻고, 10개 그룹의 다른 테스트 세트의 다른 비율 실험. 서로 다른 10개 그룹의 mAP 결과를 계산하여 최종적으로 산술 평균 mAP 값을 얻습니다.
- 아래 그림은 물체 감지 중 다양한 비율에 대한 리콜 곡선을 보여줍니다.
2. 아래 표는 이러한 비율에 따라 데이터 세트를 조정한 실험의 산술 평균 mAP 값을 보여줍니다.
5. 실험적 결론
실험 결과 YOLOv5 알고리즘을 적용하면 원격 감지 이미지 대상을 빠르게 감지할 수 있으며 평균 정밀도와 평균 정밀도가 크게 향상되었으며 비율이 다른 9개의 데이터 세트가 사용되었으며 검증된 모델은 견고성이 우수합니다.
6. 저널 소개
참고: 논문의 원문은 Xing Yuchi, Li Dajun, Ye Famao.YOLOv5.Jiangxi Science를 기반으로 한 원격 감지 이미지의 대상 감지. 39권, 4호, 2021년 8월.
일련의 기사를 해석하기 위해 혁신적인 코드를 재현했습니다.필요한 친구는 다음 공식 계정과 개인 메시지를 참고할 수 있습니다.