GhostNet与Yolov5融合的遥感图像目标检测算法优化

本文主要探讨了融合GhostNet和Yolov5的遥感图像目标检测方法，针对遥感图像中存在的地物种类繁多、背景复杂的特点，提出了一个改进的目标检测算法。首先，作者选择将经典的深度学习模型CSPDarknet53替换为轻量级网络GhostNet，目的是为了降低网络的计算负担，提高处理效率。 GhostNet以其高效的计算性能和较少的参数量成为了一个理想的选择。 其次，引入了卷积注意力机制，即同时卷积注意力模块，将其集成到Yolov5s的基础网络中。这种改进使得模型在不增加额外参数的前提下，提升了检测精度，增强了模型对复杂场景下目标的识别能力。 针对Yolov5s的瓶颈部分，即颈部结构，作者提出了跨层多路径聚合网络（GCN），这是一种创新的设计，通过增加少量参数，显著提高了网络的精度。这个新模型被称为Yolov5s-GCM，它在NWPU VHR-10数据集上的精度达到了92.3%，相较于标准的Yolov5s，平均精度提高了0.8%，同时计算量GFLOPS也从16.5下降到14.1，显示出了更低的计算需求和更高的检测性能。 这篇论文针对遥感图像目标检测的实际挑战，通过网络结构调整和注意力机制的融入，实现了在保持高性能的同时减小计算负担的目标。这对于遥感图像分析和应用领域具有重要意义，尤其是在处理大规模和复杂背景的图像时，Yolov5s-GCM展示了其优越的性能和实用性。该研究对于推动遥感技术在智慧城市、环境监测等领域的应用具有积极的推动作用。