[发明专利]一种基于改进YOLOv5的SAR图像飞机目标检测方法

权利要求书

1.一种基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，对目标检测算法YOLOv5进行改进，获得改进后的目标检测算法YOLOv5，包括以下步骤：

步骤1、在输入层中采用Mosaic数据增强方式，对输入图像进行预处理，采用K均值聚类算法针对飞机目标尺寸优化锚框；

步骤2、所述步骤1的特征图输入改进的主干网络，改进的主干网络是指在主干网络中引入坐标注意力机制CA，采用SPD-CA卷积块替换主干网络对图像进行下采样所采用的跨步卷积；

步骤3、所述步骤2得到的不同尺度的图像特征图输入到改进的YOLOv5网络中的Neck部分，采用设计的FFP特征融合金字塔网络结构改进目标检测算法YOLOv5的Neck结构，实现自适应特征融合；

步骤4、所述步骤3得到不同尺度的张量数据，输入到改进的YOLOv5网络中的预测层部分，在预测层之前添加全局注意力机制GAM，捕捉全局信息，减少不准确的目标定位。

2.如权利要求1所述的基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，所述步骤1，所述Mosaic数据增强方式采用图片随机缩放、随机裁剪、随机排布的方式进行拼接，对输入图像进行预处理，提升小目标的检测效果。

3.如权利要求1所述的基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，所述步骤1，采用K-means聚类算法针对数据集中飞机目标尺寸优化锚框，通过对数据进行聚类分析提升先验框和目标框的匹配度，进行自适应锚框计算，对每个检测头都更换所有初始锚框大小。

4.如权利要求1所述的基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，所述步骤2，在YOLOv5模型的主干网络部分将下采样所用的3*3卷积核且步数为2的卷积块替换为设计的SPD-CA卷积块，完全替代卷积步长和池化层；SPD层是一个由空间到深度的连接层，具体操作是在图像中每隔一个像素提取出一个值，类似于邻近下采样，将特征图分为四张子特征图，具体表示如下：

f_0,0＝X[0:S:2,0:S:2],f_1,0＝X[1:S:2,0:S:2],

f_0,1＝X[0:S:2,1:S:2],f_1,1＝X[1:S:2,1:S:2]

S为图像尺寸size，之后沿着通道维度将这些子特征映射连接在一起，在对特征映射进行下采样的同时，保留了通道维度的所有信息，避免了信息的非歧视丢失；在SPD层后引入坐标注意力机制层CA，加强对目标点的注意，感受飞机目标的位置信息，最后添加一层单步长卷积层去改变使用学习参数的通道数量。

5.如权利要求1所述的基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，所述步骤3，从主干网络的后端将所述步骤2得到的图像特征图输入到改进的YOLOv5网络中的Neck部分，Neck结构由原来的PANet简单双向特征金字塔结构变为设计的FFP特征融合金字塔结构；Neck在特征金字塔网络的基础上引入自下而上的路径增强结构，细化主干网络输出的图像特征矩阵实现双向特征金字塔，并吸收BiFPN与ASFF两种结构的思想，在主干网络与自下而上特征融合路径之间增加跳跃连接分支，即处在同一层次的输入节点与输出节点之间添加一条额外的边，使其能在同层次之间融合更多的特征；同时，在双向特征传输的路径当中加入ASFF特征融合结构，实现不同层次之间特征的交叉融合。

6.如权利要求1所述的基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，所述步骤4，不同尺度的特征图数据输入到改进的YOLOv5网络中的预测层部分，在Neck部分后端即预测层之前集成一种全局注意力机制，使得模型结合不同尺度下的目标特征，保留特征融合之后的目标特征信息。

7.如权利要求1所述的基于改进YOLOv5的SAR图像飞机目标检测方法，其特征在于，还包括以下步骤：基于获取到的SAR图像飞机目标数据集，得到带有标签的图像数据集。