基于改进YOLOv5s的遥感目标检测

优化遥感目标检测对于军事民生方面都有着重要意义。由于遥感数据中成像模糊、目标较小、检测对象数量多,导致检测精度不高,现提出一种新网络：新网络在YOLOv5s（You Only Look Once v5s）原网络的基础上使用Mish激活函数代替SiLU（Sigmoid Weighted Liner Unit）激活函数;为解决遥感图像中小目标的问题,采用了对小目标、低分辨率友好的SPD-Conv（Space-to-depth-Conv）模块;考虑到使用耦合检测头会存在回归、分类两个任务之间的冲突问题,采用YOLOX (You Only Look Once X)中解耦的检测头,提高了模型查准率。实验结果表明,相比于原始YOLOv5s,新网络在mAP（mean Average Precision）平均精度均值方面提升了7%,查全率（recall）提升了10.9%,检测速度FPS提升了16.95%。改进后的网络模型相对于原始模型具有明显优越性,识别效果提升明显。