王思元

（哈爾濱師范大學(xué)地理科學(xué)學(xué)院 黑龍江 哈爾濱 150500）

0 引言

在遙感影像解譯中，小目標(biāo)檢測是一項(xiàng)十分具有挑戰(zhàn)性的任務(wù)。小目標(biāo)的分辨率通常比較低，且特征較為模糊，在一定程度上增加了識別與定位的難度。此外，還存在小目標(biāo)被其他地物遮擋的情況。由于目標(biāo)的不完整性，在目標(biāo)檢測中，會出現(xiàn)漏檢錯(cuò)檢［1］。傳統(tǒng)的遙感影像小目標(biāo)檢測方法包括基于滑動窗口的區(qū)域選擇、特征提取以及分類器三個(gè)部分。傳統(tǒng)的檢測方法難以適應(yīng)不同尺寸大小的目標(biāo)，使用固定的窗口大小，對小目標(biāo)的檢測不夠靈活［2］。近年來，在小目標(biāo)檢測方面，深度學(xué)習(xí)的方法逐漸占據(jù)主導(dǎo)位置。區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（region-based convolutional neural network， R-CNN）為小目標(biāo)檢測奠定了基礎(chǔ)，通過引入?yún)^(qū)域候選網(wǎng)絡(luò)生成候選區(qū)域，然后再進(jìn)行分類和回歸［3］。單次多框檢測器（single shot multiBox detector， SSD）采用多尺度目標(biāo)檢測的方法，在不同層次的特征圖上進(jìn)行檢測，更好地完成不同尺度的目標(biāo)檢測［4］。YOLO（you only look once）系列提出了一種端到端的實(shí)時(shí)目標(biāo)檢測方法。一次性完成目標(biāo)的檢測和定位，優(yōu)化目標(biāo)檢測流程，實(shí)現(xiàn)高效的實(shí)時(shí)檢測。盡管深度學(xué)習(xí)的方法在圖像處理的任務(wù)中取得了一定的成績，但仍需要進(jìn)一步提升模型的性能、適應(yīng)能力以及魯棒性等，以更好地滿足實(shí)際應(yīng)用的需求［5－6］。

1 YOLOv8

YOLO 系列算法是僅采用一個(gè)卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)端到端的目標(biāo)檢測方法。它將目標(biāo)檢測任務(wù)視為回歸問題，一次性直接完成目標(biāo)檢測與定位，以實(shí)現(xiàn)高效的實(shí)時(shí)目標(biāo)檢測［7］。2015 年，YOLOv1 首次提出，經(jīng)歷多次迭代，2023年Ultralytics 公司發(fā)布了YOLO 的最新版本YOLOv8。YOLOv8 是一個(gè)無錨模型，即不使用預(yù)先定義的錨框匹配真實(shí)目標(biāo)框，而是直接預(yù)測對象的中心［8］。無錨檢測減少了箱體預(yù)測的數(shù)量，從而加快了非極大值抑制的速度。無錨檢測的方法在一定程度上也可以避免由于預(yù)設(shè)錨框參數(shù)設(shè)置不合理導(dǎo)致的重復(fù)檢測及漏檢的問題［9］。YOLOv8的骨干網(wǎng)絡(luò)類似于YOLOv5，雖然仍然延續(xù)跨階段局部（cross stage partial， CSP）網(wǎng)絡(luò)思想，但使用C2f 模塊替換C3 模塊，使得模型更加輕量化，同時(shí)能夠獲得更加豐富的梯度流信息。YOLOv8 的整體網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示，主要分為骨干網(wǎng)絡(luò)（backbone）、頸部網(wǎng)絡(luò)（neck）和檢測頭（head）三部分。

YOLOv8 的優(yōu)點(diǎn)在于其具有更快的檢測速度，并且由于其結(jié)構(gòu)的特性，在實(shí)時(shí)應(yīng)用中可以實(shí)現(xiàn)較低的延遲。同時(shí)，較強(qiáng)的特征提取能力使得模型能夠更準(zhǔn)確地捕捉細(xì)節(jié)特征，在不同的數(shù)據(jù)集上，均表現(xiàn)出更高的檢測精度［10］。但是YOLOv8 的整體模型較大，需要較高的計(jì)算資源，在一些資源受限的設(shè)備上可能會難以應(yīng)用。YOLOv8 在檢測有遮擋旋轉(zhuǎn)的目標(biāo)或者一些小目標(biāo)時(shí)，效果會有一定的降低。

2 算法改進(jìn)

為了提升YOLOv8 在遙感影像小目標(biāo)檢測中的整體性能，本研究對模型做如下三個(gè)方面的改進(jìn)。第一，用更加輕量級卷積方法鬼影混洗卷積（ghost-shuffle conv，GSConv）代替YOLOv8 中Backbone 中的卷積，以減少模型的計(jì)算成本［11］。第二，引入Slim-neck 設(shè)計(jì)范式，進(jìn)一步優(yōu)化Neck 部分的結(jié)構(gòu)，其中GS Bottleneck 模塊能夠有效地對網(wǎng)絡(luò)的特征處理能力進(jìn)行增強(qiáng)，而VoV-GSCSP 模塊則可以提高特征利用效率及網(wǎng)絡(luò)的性能。第三，通過在特征推理階段添加切片輔助超推理（slicing aided hyper inference， SAHI）庫模塊，再次提高小目標(biāo)的檢測率［12］。改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖2 所示。

圖2 改進(jìn)后的整體網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1 GSConv

為了進(jìn)一步解決卷積神經(jīng)網(wǎng)絡(luò)中預(yù)測計(jì)算的速度問題，研究人員引入一種新的輕量級卷積技術(shù)GSConv，在保持準(zhǔn)確性的同時(shí)減輕模型負(fù)擔(dān)［13］。在GSConv 中，輸入的數(shù)據(jù)首先通過一個(gè)卷積層，該層的輸出通道數(shù)為C2/2，然后進(jìn)行深度可分離卷積的操作，再將卷積層與深度可分離層的輸出進(jìn)行拼接操作，最后進(jìn)行混洗操作。它將通道重新排列以提高不同通道間的信息流動，在提高網(wǎng)絡(luò)的效率同時(shí)兼顧對不同通道的信息整合［14－15］。GSConv 最終的輸出特征圖共有C2個(gè)通道。GSConv 的計(jì)算成本只有標(biāo)準(zhǔn)卷積（standard convolution， SConv）的一半，但模型的學(xué)習(xí)能力卻與SConv 不相上下。GSConv 結(jié)構(gòu)如圖3 所示。

圖3 GSConv 結(jié)構(gòu)圖

2.2 Slim-neck

Slim-neck 是一種新的設(shè)計(jì)范式，用于卷積神經(jīng)網(wǎng)絡(luò)的Neck 部分，旨在保持準(zhǔn)確度的同時(shí)，降低計(jì)算復(fù)雜度及相關(guān)推理時(shí)間。Slim-neck 靈活地使用 GSConv、 GS Bottleneck 以及VoV-GSCSP 模塊進(jìn)行構(gòu)建。這種組合模式更加便于處理不同場景的任務(wù)。GS Bottleneck 基于GSConv 模塊，能夠加強(qiáng)網(wǎng)絡(luò)對特征的處理能力，GS Bottleneck 模塊的結(jié)構(gòu)如圖4 所示。VoV-GSCSP 則是利用一次性聚合方法設(shè)計(jì)的CSP 網(wǎng)絡(luò)模塊，以提高特征利用率及網(wǎng)絡(luò)的性能，VoV-GSCSP 模塊結(jié)構(gòu)圖如圖5 所示。

圖4 GS Bottleneck 模塊結(jié)構(gòu)圖

圖5 VoV-GSCSP 模塊結(jié)構(gòu)圖

2.3 SAHI

SAHI 的核心思想是通過將圖像進(jìn)行切片來檢測小目標(biāo)。在本研究中，將此模塊添加到改進(jìn)模型中的特征推理階段，首先采用滑動窗口將圖像分成若干區(qū)域，再進(jìn)行調(diào)整圖像尺寸大小的resize 操作，將預(yù)測圖片分區(qū)域進(jìn)行預(yù)測，并同時(shí)對整張圖片預(yù)測。將預(yù)測的兩部分結(jié)果合并，用非極大值抑制完成過濾，實(shí)現(xiàn)整個(gè)推理過程。SAHI 可以不重新訓(xùn)練原始檢測模型，在不影響性能的情況下快速應(yīng)用，提升小目標(biāo)的檢測率，從而提升模型的整體性能。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)集

本研究在Linux 18.04 操作系統(tǒng)上進(jìn)行實(shí)驗(yàn)驗(yàn)證。深度學(xué)習(xí)框架選用PyTorch，將初始學(xué)習(xí)率與權(quán)重衰減系數(shù)分別設(shè)置為0.01 和0.000 5，迭代次數(shù)設(shè)置為300 次。在推理預(yù)測階段，SAHI 的切片寬度及高度設(shè)置為100×100，寬度及高度的重疊率設(shè)置為0.2。實(shí)驗(yàn)選用DOTA 系列數(shù)據(jù)集作為實(shí)驗(yàn)數(shù)據(jù)。DOTA 數(shù)據(jù)集是一個(gè)用于航空影像中目標(biāo)檢測的大規(guī)模數(shù)據(jù)集［4］。DOTAv1.0 通過不同傳感器及平臺采集影像共2 806 張，實(shí)例數(shù)量188 282 個(gè)。數(shù)據(jù)集中采用四邊形邊界框標(biāo)注，包括飛機(jī)、船只、儲罐等15 種類別。根據(jù)本研究中的模型特性，將圖片裁剪為640×640，然后再輸入模型中進(jìn)行訓(xùn)練。

3.2 評價(jià)指標(biāo)

根據(jù)YOLO 系列模型的評價(jià)標(biāo)準(zhǔn)，本研究選用如下幾個(gè)評價(jià)指標(biāo)：準(zhǔn)確率（precision，P）、召回率（recall，R）、mAP50 以及mAP50－95 對模型的性能進(jìn)行評價(jià)。準(zhǔn)確率，即在所有預(yù)測為正樣本的結(jié)果中，預(yù)測正確的比例，如公式（1）所示。召回率，即在所有真實(shí)值為正樣本的結(jié)果中，預(yù)測正確的比例，公式如（2）所示。以準(zhǔn)確率和召回率作為兩坐標(biāo)軸，PR曲線下的面積就是該類別的平均精度（average precision，AP）。mAP50 指交并比為0.5 時(shí)，所有類別的平均AP。mAP50－95 指交并比從0.5 到0.95，以0.05 為一個(gè)步長上的平均mAP，如公式（3）和（4）所示。其中TP指模型正確預(yù)測的正樣本數(shù)量；FP指錯(cuò)誤預(yù)測的正樣本數(shù)量；FN指錯(cuò)誤預(yù)測為負(fù)樣本的數(shù)量。

3.3 消融實(shí)驗(yàn)

本研究設(shè)計(jì)消融實(shí)驗(yàn)，在軟硬件配置相同的情況下，驗(yàn)證模型中所添加模塊的有效性。表1 中詳細(xì)給出了實(shí)驗(yàn)結(jié)果數(shù)據(jù)。通過分析，改進(jìn)后的模型準(zhǔn)確率為0.783，原模型為0.752，改進(jìn)后的模型比原模型準(zhǔn)確率提升了3.1%。召回率由0.627 上升到0.666，提升了3.9%。mAP50 與mAP50－95 分別提升了4.1%和4%。改進(jìn)后的模型參數(shù)量與原模型相比下降了15.6%。此外，各模型的預(yù)測效果如圖6 所示。根據(jù)結(jié)果圖可以得出，添加了SAHI 模塊的改進(jìn)模型有效改善了漏檢現(xiàn)象，如圖6（f）所示，獲得了更好的預(yù)測效果。

表1 消融實(shí)驗(yàn)

圖6 消融實(shí)驗(yàn)結(jié)果對比圖

3.4 對比實(shí)驗(yàn)

為了驗(yàn)證改進(jìn)模型的性能，選取目前較為主流的目標(biāo)檢測算法YOLOv3－tiny、YOLOv5n、YOLOv6n 進(jìn)行比較。上述幾種模型的實(shí)驗(yàn)環(huán)境均保證一致。對比結(jié)果如表2所示。從結(jié)果數(shù)據(jù)分析可知，YOLOv3－tiny 及YOLOv6n較與改進(jìn)后的模型相比，參數(shù)量較大，且通過準(zhǔn)確率、召回率、mAP50 以及mAP50－95 來看，改進(jìn)后的模型均優(yōu)于其他幾種模型。預(yù)測結(jié)果如圖7 所示。

表2 對比實(shí)驗(yàn)

圖7 對比實(shí)驗(yàn)結(jié)果對比圖

4 結(jié)語

本文通過對YOLOv8 算法進(jìn)行改進(jìn)，將改進(jìn)后的算法應(yīng)用于遙感影像中的小目標(biāo)檢測。根據(jù)消融實(shí)驗(yàn)及對比實(shí)驗(yàn)的結(jié)果數(shù)據(jù)來看，改進(jìn)后的模型與原模型相比在數(shù)據(jù)量、準(zhǔn)確率、召回率及平均精度上都有了一定的提高，對遙感影像中小目標(biāo)受遮擋不完整的情況也能夠準(zhǔn)確識別，對漏檢錯(cuò)檢的有一定程度的改善。但在后續(xù)工作中仍需進(jìn)一步優(yōu)化網(wǎng)絡(luò)，提升模型在更多復(fù)雜場景中的表現(xiàn)能力。