目标检测论文解读复现之十：基于YOLOv5的遥感图像目标检测
前言
此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。
一、摘要
目标检测是遥感图像处理领域的一项重要技术，遥感图像目标种类繁多且存在目标物体难以被检测。提出把YOLOv5算法应用到遥感图像目标检测的方法，首先选择YOLOv5x来构建网络模型，再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小，然后切片卷积操作得到原始特征图，将原始特征图送入主干网络进行特征融合得到最优权重，最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选，对遥感图像进行目标检测。在公开的10类地理空间物体(NWPU－VHＲ10)数据集进行了检测实验，以评估所提出模型的目标检测性能。对比实验表明，本文的模型mAP达到了0.9239，与使用相同数据集的模型中的最佳结果进行比较，mAP提升了1.78%，该方法可以提高遥感图像目标检测精度。
二、网络模型及核心创新点
1. Mosaic数据增强
2. 自适应方法
3. GIOU Loss函数
4. 非极大值抑制(NMS)
三、应用数据集
NWPU－VHＲ10数据集是从Google Earth和Vaihingen数据集中采集的遥感图像，然后目标物体由专家标记而来。该数据集由800张图像组成，其中包含650张至少包含一个要检测的目标的正图像集，150张不包含给定对象类别的任何目标的负图像集，每类有80张遥感图像。
四、实验效果（部分展示）
为了评估模型的检测性能，本文将遥感数据集以不同的训练和测试比率随机抽取，使用不同比率图像数据集样本训练模型，得到9个最佳权重值，分别进行10组同比率不同测试集检测实验。通过计算10组不同检测的mAP结果，最终得到算术平均mAP值。
- 下图显示在目标检测过程中，不同比率的召回率曲线。
2.下表显示了根据这些比率调整数据集的实验的算术平均mAP值。
五、实验结论
实验结果表明，应用YOLOv5算法能够快速检测遥感图像目标，平均精度均值和平均精准度有明显的提高，且使用了9组不同比例数据集，验证的模型具有很好的鲁棒性。
六、投稿期刊介绍
注：论文原文出自邢宇驰，李大军，叶发茂. 基于YOLOv5的遥感图像目标检测.江西科学. 第39卷第4期2021年8月.
解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注下面公众号，私信我。