基于改进FCOS网络的遥感目标检测

找出目标的位置和类别是目标检测的主要任务。随着人工智能和深度学习的发展，目标检测可以达到人眼所达不到的精度。由于信息较少，覆盖面积小且基于锚框的检测算法易受锚框大小、比例数目的影响，对较小的目标难以精确检测。针对以上问题，改进无锚框算法全卷积单阶段目标检测(Fully Convolutional One-stage Object Detection,FCOS)实现了小目标检测的效率和精度。将FCOS算法的特征提取网络结构残差网络(Residual Network,ResNet)更换为轻量级网络结构MobileNetV3，随后在骨干网络中引入通道注意力机制和空间注意力机制对特征提取网络进行改进，最后设计T交并比(TIOU)代替原本的交并比(IOU)，改善模型精度。实验结果表明，所改进的网络结构与FCOS相比，网络训练时间和模型大小为原来的一半，计算参数量由原来的32.12×10⁶减少为11.73×10⁶，减少到原来的三分之一，模型推理速度提升了10%，每秒传输帧数为11帧，与主流网络FasterRCNN相比，检测精度和速度更快，可以满足对小目标...