融合超分辨率和特征增强的轻量化遥感图像小目标检测OA北大核心CSTPCD

为了应对遥感图像目标检测中小目标像素低、背景复杂、硬件资源有限等问题,提出一种融合超分辨率(SR)和特征增强的小目标检测模型。采用GhostNet网络中的Ghost卷积层替换YOLOv8网络中的传统卷积层Conv,在不影响检测精度的情况下降低网络模型的参数量和计算量。在主干网络中,构建超分辨率辅助增强(SRAE)模块提升图像的分辨率和特征提取能力。利用三层特征融合(TFF)模块,获取主干网络较低层的空间特征,改善快速空间金字塔池化(SPPF)层特征空间提取不足的问题,提高小目标空间定位能力。设计自注意力信息转移(SAT)模块,在保证模型轻量化的同时增强小目标的语义信息和全局信息。实验结果表明,改进模型在DIOR数据集上实现了90.5%的mAP@0.5、15.1×10^(6)的参数量和30.3×10^(9)的每秒浮点运算次数(FLOPs),相比于其他模型在实现网络轻量化的同时提升了小目标检测精度。