[发明专利]一种基于改进YOLOv5的卫星图像小目标检测方法

权利要求书

1.一种基于改进YOLOv5的卫星图像小目标检测方法，其特征在于，包括以下步骤：

步骤1：输入图像进入网络，第一进行图片的自适应缩放，第二实现Mosaic-6数据增强；

步骤2：特征提取主干网络采用Swin-Transformer结构，包括第一Focus切片操作，第一下采样层，第二卷积归一化层，第二下采样层，第三卷积归一化层，第三下采样层，第四卷积归一化层，第四下采样层，第五卷积归一化层，第五下采样层；

步骤3：步骤2中第三至第五下采样层产生的特征图都采用1x1的卷积进行特征提取，得到的特征图分别记为M3，M4，M5；

步骤4：该步骤为传统的FPN网络结构，采用自底向上的通路进行多尺度目标检测，使得底层的特征与含有丰富位置信息的底层信息进行融合；M5经过3×3卷积消除融合带来的混叠效应，记为P5；M5经两倍上采样，与M4逐像素相加，再经过3×3卷积消除融合带来的混叠效应生成特征图，记为P4；M4经两倍上采样，与M3逐像素相加，经过3×3卷积消除融合带来的混叠效应生成特征图P3；

步骤5：在步骤4中FPN的基础上，添加一条自底向上的通路，称为PAN网络，使得底层特征与含有丰富语义信息的高层特征进行融合；P3作为底层特征A3，进行2倍下采样后，与P4进行逐像素相加，得到特征图A4；A4经过2倍下采样后，与P5进行逐像素相加，生成特征图A5；与步骤4一样，A3至A5经过3×3卷积消除混叠效应，生成最终特征图Q3至Q5；

步骤6：该步骤是该专利的核心内容，在步骤4每次上采样之后集成一个轻量的注意力模块(CBAM)，将沿着通道和空间两个独立维度依次推断出注意力映射，然后将注意力映射与输入特征映射相乘，以执行自适应特征细化；同理，在步骤5每次下采样之后添加一个CBAM模块，从特征中学习或者提取出权重分布，再拿这个权重分布施加在原来的特征之上，改变原有特征的分布，增强有效特征抑制无效的特征；

步骤7：将特征图Q3至Q5分别输入yolo检测头网络，预测网络的Anchor设置依据事先对数据集的聚类进定；然后将预测网络通过非极大值抑制输出的候选框映射成原图大小，框选出图像中的目标物体，最终得出检测结果。

2.如权利要求1所述方法，其特征在于，步骤1中的Mosaic-6数据增强模块为6张图片随机裁剪、随机排列、随机缩放后，组合成一张图片。

3.如权利要求1所述方法，其特征在于，步骤2中的SwinTransformer主干网络拥有更强的特征提取能力。

4.如权利要求1所述方法，其特征在于，步骤6中的轻量注意力机制模块(CBAM)，将其引入到卷积层中后，特征可以覆盖到待识别物体的更多部位，使得判别物体的几率变高，有利于网络关注重点信息即寻找感兴趣区域。