Ccds-yolo: modelo de detección de objetos de imágenes de radar de apertura sintética de varias categorías basado en yolv5s
Autores: Huang, Min; Liu, Zexu; Liu, Tianen; Wang, Jingyang
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Ccds-yolo: modelo de detección de objetos de imágenes de radar de apertura sintética de varias categorías basado en yolv5s
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Radar de apertura sintética
Detección de objetos SAR
CCDS-YOLO
Módulo de Atención de Bloque Convolucional
CoordConv
Supresión Suave de No Máximo
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 41
Citaciones: Sin citaciones
El Radar de Apertura Sintética (SAR) es un sensor de microondas activo que ha atraído amplia atención debido a su capacidad de observar el suelo las 24 horas del día. La investigación sobre métodos de detección de objetivos multi-escala y multi-categoría tiene gran importancia en los campos de gestión de recursos marítimos y reconocimiento en tiempos de guerra. Sin embargo, las escenas complejas a menudo influyen en la detección de objetos SAR, y la diversidad de escalas de los objetivos también plantea desafíos a la investigación. Este artículo propone un modelo de detección de objetos de imagen SAR multi-categoría, CCDS-YOLO, basado en YOLOv5s, para abordar estos problemas. El incrustar el Módulo de Atención de Bloque Convolucional (CBAM) en la parte de extracción de características de la red principal permite la capacidad del modelo para extraer y fusionar información espacial e información de canal. La convolución 1 x 1 en la red de pirámide de características y la primera capa de convolución de la cabeza de detección se reemplazan con la convolución expandida, Convencional de Coordenadas (CoordConv), formando un módulo CRD-FPN. Este módulo percibe de manera más precisa los detalles espaciales del mapa de características, mejorando la capacidad del modelo para manejar tareas de regresión en comparación con la convolución tradicional. En el segmento del detector, se utiliza una cabeza desacoplada para la extracción de características, ofreciendo información de características óptimas y efectivas para las ramas de clasificación y regresión por separado. La tradicional Supresión No Máxima (NMS) se sustituye por la Supresión No Máxima Suave (Soft-NMS), reduciendo con éxito la tasa de detección duplicada del modelo para objetos compactos. Basándose en los hallazgos experimentales, el enfoque presentado en este artículo demuestra excelentes resultados en el reconocimiento de objetivos multi-categoría para imágenes SAR. Se realizan comparaciones empíricas en el conjunto de datos MSAR filtrado. En comparación con YOLOv5s, el rendimiento de CCDS-YOLO ha mejorado significativamente. El valor de mAP@0.5 aumenta en un 3.3% al 92.3%, la precisión aumenta en un 3.4%, y el mAP@0.5:0.95 aumenta en un 6.7%. Además, en comparación con otros modelos de detección principales, CCDS-YOLO destaca en rendimiento general y capacidad de anti-interferencia.
Descripción
El Radar de Apertura Sintética (SAR) es un sensor de microondas activo que ha atraído amplia atención debido a su capacidad de observar el suelo las 24 horas del día. La investigación sobre métodos de detección de objetivos multi-escala y multi-categoría tiene gran importancia en los campos de gestión de recursos marítimos y reconocimiento en tiempos de guerra. Sin embargo, las escenas complejas a menudo influyen en la detección de objetos SAR, y la diversidad de escalas de los objetivos también plantea desafíos a la investigación. Este artículo propone un modelo de detección de objetos de imagen SAR multi-categoría, CCDS-YOLO, basado en YOLOv5s, para abordar estos problemas. El incrustar el Módulo de Atención de Bloque Convolucional (CBAM) en la parte de extracción de características de la red principal permite la capacidad del modelo para extraer y fusionar información espacial e información de canal. La convolución 1 x 1 en la red de pirámide de características y la primera capa de convolución de la cabeza de detección se reemplazan con la convolución expandida, Convencional de Coordenadas (CoordConv), formando un módulo CRD-FPN. Este módulo percibe de manera más precisa los detalles espaciales del mapa de características, mejorando la capacidad del modelo para manejar tareas de regresión en comparación con la convolución tradicional. En el segmento del detector, se utiliza una cabeza desacoplada para la extracción de características, ofreciendo información de características óptimas y efectivas para las ramas de clasificación y regresión por separado. La tradicional Supresión No Máxima (NMS) se sustituye por la Supresión No Máxima Suave (Soft-NMS), reduciendo con éxito la tasa de detección duplicada del modelo para objetos compactos. Basándose en los hallazgos experimentales, el enfoque presentado en este artículo demuestra excelentes resultados en el reconocimiento de objetivos multi-categoría para imágenes SAR. Se realizan comparaciones empíricas en el conjunto de datos MSAR filtrado. En comparación con YOLOv5s, el rendimiento de CCDS-YOLO ha mejorado significativamente. El valor de mAP@0.5 aumenta en un 3.3% al 92.3%, la precisión aumenta en un 3.4%, y el mAP@0.5:0.95 aumenta en un 6.7%. Además, en comparación con otros modelos de detección principales, CCDS-YOLO destaca en rendimiento general y capacidad de anti-interferencia.