基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

融合轻量级网络的农业病害检测

农业病害会导致作物脱叶早,光合作用减弱,从而影响作物质量,减少农民收入。针对病害初发期间目标小、背景复杂和室外光线变化大导致的目标误检问题,本文提出一种融合轻量级网络的YOLOv4检测算法。首先对主干网络进行剪枝并增加多尺度的分组卷积提高模型对复杂背景的抗干扰性,其次设计轻量级SCE(space channel expand)注意力机制降低深层网络中细节信息丢失的影响。最后设计跳跃连接特征金字塔(jump connection feature pyramid network, JC-FPN)替换PAnet(path aggregation network)特征融合模块从而进一步实现模型轻量化。实验结果表明,改进算法在本文数据集上的mAP₅₀达到了84.17%,检测速度为50 FPS,相比于YOLOv4检测算法分别提高了0.71%和10 FPS,满足移动端对农业病害的检测精度和速度的要求。