多尺度下遥感小目标多头注意力检测

针对地理空间遥感图像中检测目标存在多尺度特性、形态多变以及小目标判别特征过少等造成检测识别精度不高的问题，提出了基于多尺度下遥感小目标多头注意力检测算法YOLO-StrVB。对网络结构进行重构，搭建多尺度网络模型，增加目标检测层，提高特征提取网络下遥感小目标模型不同尺度下的检测能力；加入双向特征金字塔网络（Bi-FPN）进行多尺度特征融合，提高双向跨尺度连接和加权特征融合；在YOLOv5网络末端融合Swin Transformer多头注意力机制块，提升感受野适应目标识别任务的多尺度融合关系，优化主干网络；使用Varifocal loss对网络进行训练，提升遥感密集检测小目标的存在置信度和定位精度，并选用CIoU作为边界框回归的损失函数，提高感知分类得分（IACS）的边框回归精度。通过在遥感目标数据集NWPU VHR-10上的实验验证，对比YOLOv5原模型的mAP提高了3.05个百分点，能有效提高小目标的检测精度，达到了对地理空间遥感图像中小目标检测的鲁棒性。