改进YOLOv7的SAR舰船检测算法

摘要

为了解决合成孔径雷达(synthetic aperture radar,SAR)图像中小目标舰船和复杂背景下舰船检测精度低的问题,并使模型更加轻量化,提出了一种改进YOLOv7的SAR舰船检测算法。在YOLOv7主干网络构建REPPConv-ELAN模块替换原ELAN,减少网络的计算量和内存占用,加快推理速度,同时增强网络对目标特征的提取能力;在特征融合部分融入ConvNeXt Block加速网络提取和融合复杂目标的特征信息;再把全局注意力机制(GAM)加入至下采样阶段,构建一种用来捕捉全局特征的采样模块(MP-GAM),在通道维度和空间维度上进行特征捕捉和特征融合,实现多维信息的交互,提高网络对复杂背景下舰船的关键特征捕捉能力;在检测头的回归损失函数处引入新度量NWD替换IoU,增强对小目标的检测能力。在HRSID数据集上进行了实验对比,改进后的方法相比于YOLOv7,模型的参数量和计算量显著减少;AP值提升了10.04个百分点,准确率提升了3.61个百分点,召回率提升了15.15个百分点。与目前的主流算法对比,精度明显提高。实验结果表明,改进算法能有效提升SAR舰船检测精度,显著改善复杂舰船的误检和漏检情况。