秦偉偉，宋泰年，劉潔瑜，王洪偉，梁 卓

1.火箭軍工程大學(xué) 核工程學(xué)院，西安710025

2.西北工業(yè)大學(xué) 光電與智能研究院，西安710072

3.中國運載火箭研究院，北京100076

近年來，隨著衛(wèi)星發(fā)展進程的加快，遙感圖像的質(zhì)量和數(shù)量都有了飛躍式的發(fā)展。這些圖像已經(jīng)被廣泛應(yīng)用，而挖掘遙感圖像中的豐富信息，無論是民用生活還是軍事作戰(zhàn)，都具有極大的研究價值。在現(xiàn)代化戰(zhàn)爭中，信息是命脈，而掌握了信息，就奪得了戰(zhàn)爭的主動權(quán)。及時從海量的遙感圖像中準(zhǔn)確識別出軍事目標(biāo)，對于作戰(zhàn)應(yīng)用極其重要。在未來戰(zhàn)爭中，智能化作戰(zhàn)是發(fā)展趨勢，而導(dǎo)彈智能突防的研究則具有重大現(xiàn)實意義，導(dǎo)彈智能突防首先需要識別敵方反導(dǎo)目標(biāo)，而后才能根據(jù)實際情況作出應(yīng)對。本文從遙感圖像中檢測敵方防空導(dǎo)彈陣地。

在遙感目標(biāo)檢測的工作中，遙感目標(biāo)的尺寸不一，方向不一，背景復(fù)雜的特性給檢測帶來了極大的挑戰(zhàn)。在軍事應(yīng)用領(lǐng)域，對目標(biāo)檢測算法的精確率，檢測速度以及網(wǎng)絡(luò)的輕量化提出了極高的要求。部署在突防作戰(zhàn)的導(dǎo)彈上，算法需要在保證網(wǎng)絡(luò)輕量化和檢測速度的基礎(chǔ)上，提升檢測精確率。

當(dāng)前，在目標(biāo)檢測研究方面，主流的檢測算法分為兩類。一類是兩階段檢測算法，主要代表是R-CNN[1]系列算法：R-CNN、Fast R-CNN、Faster R-CNN以及基于此系列的多種改進算法，例如：HyperNet、Mask R-CNN、R-FCN、Cascade R-CNN[2]。這類算法在檢測小物體，目標(biāo)擁擠等較難任務(wù)時效果很好，但是由于其需要先對感興趣的區(qū)域生成，然后對該區(qū)域進行類別分類與位置回歸，檢測速度方面有待進一步提高。另一類是單階段檢測算法，主要代表算法有SSD[3]、YOLOv1[4]、YOLOv2[5]、YOLOv3[6]算法，以及基于它們的一系列改進算法，例如DSSD、RSSD、RefineNet等算法[7]。這些檢測算法已經(jīng)在軍事作戰(zhàn)、安防、自動駕駛、機器人、搜索推薦、醫(yī)療診斷等領(lǐng)域廣泛應(yīng)用。在輕量化網(wǎng)絡(luò)的研究方面，崔洲娟等人以輕量化網(wǎng)絡(luò)MobileNetV2為檢測網(wǎng)絡(luò)的主干，融合通道空間協(xié)同注意力模塊，設(shè)計了一種檢測算法，并且成功部署在無人機上[8]；任坤等人以輕量級網(wǎng)絡(luò)MobileNetV2-SSD為基礎(chǔ)，設(shè)計了一種多尺度像素特征融合模塊，并且應(yīng)用于實時小交通標(biāo)志檢測[9]；馬立等人針對小目標(biāo)漏檢的情況，通過使用深度可分離卷積降低模型尺寸以及參數(shù)量，改進損失函數(shù)達到了良好的效果[10]；宋艷艷等人針對多尺度以及目標(biāo)遮擋的問題，利用K-means算法重新聚類邊界框來適應(yīng)多尺度目標(biāo)，改進損失函數(shù)，進而達到了很好的檢測效果[11]。

為了滿足彈載部署環(huán)境算力的要求，準(zhǔn)確快速檢測出遙感圖像中的典型軍事目標(biāo)，制作了PAC-3導(dǎo)彈陣地數(shù)據(jù)集，數(shù)據(jù)來源為開源的Google Earth。在充分分析數(shù)據(jù)集的基礎(chǔ)上，利用K-means算法，聚類出適合本數(shù)據(jù)集的先驗框。選擇YOLOv3算法為文中的基礎(chǔ)算法，將主干網(wǎng)絡(luò)替換為輕量化的MobileNetV2網(wǎng)絡(luò)[12]。在檢測算法中加入適用于遙感目標(biāo)特性的輕量化高效通道協(xié)同注意力模塊（Lightweight and efficient Channel Collaborative Attention Module，CCAM）和目標(biāo)旋轉(zhuǎn)不變性檢測模塊（Target Rotation Invariance Detection Module，RIDM）。通過對網(wǎng)絡(luò)的改進，實驗結(jié)果表明本文提出的算法在性能上有了較大的提升，能夠兼顧精確率、召回率、檢測速度、網(wǎng)絡(luò)大小等各方面的要求，準(zhǔn)確快速地檢測出目標(biāo)陣地。

1 網(wǎng)絡(luò)結(jié)構(gòu)分析算法原理

1.1 YOLOv3目標(biāo)檢測算法

YOLO（You Only Look Once）算法最初是Redmon等人在2016年提出的一種單階段目標(biāo)檢測算法，經(jīng)過改進發(fā)展，到2018年已經(jīng)出現(xiàn)了YOLOv3網(wǎng)絡(luò)。相比起YOLOv2，YOLOv3網(wǎng)絡(luò)在保證檢測速度的基礎(chǔ)上又兼顧了檢測精確率，并且提升了小目標(biāo)以及密集場景下的檢測效果，性能比較穩(wěn)定，現(xiàn)在已經(jīng)被廣泛部署在工業(yè)生產(chǎn)中。

本文采用基于區(qū)域回歸的單階段目標(biāo)檢測YOLOv3模型，該算法將目標(biāo)檢測當(dāng)成一種回歸問題，通過回歸的方式來檢測目標(biāo)的位置，以回歸的方式只需要單一的網(wǎng)絡(luò)對整張圖片做一次評估就可以得到目標(biāo)邊界框和類別。模型可以分為以下三步：首先將整個圖片等分為S×S個格子；其次將整張圖片送入深度神經(jīng)網(wǎng)絡(luò)，預(yù)測每一個格子是否存在目標(biāo)、目標(biāo)的邊界框、目標(biāo)的類別；最后將預(yù)測的邊界框做非最大抑制篩選出最好的邊界框，從而得到最好的效果。模型的整體流程如圖1所示。

圖1 YOLOv3流程圖Fig.1 YOLOv3 flow chart

1.2 MobileNetV2網(wǎng)絡(luò)

隨著卷積神經(jīng)網(wǎng)絡(luò)[13]的發(fā)展，網(wǎng)絡(luò)的寬度和深度逐漸加大，結(jié)構(gòu)越來越復(fù)雜[14]，導(dǎo)致其無法部署在輕量化的移動端。所以輕量化的研究日益重要，而輕量化技術(shù)主要從兩個方面開展，一個方面是將訓(xùn)練好的網(wǎng)絡(luò)進行壓縮，進而得到數(shù)據(jù)量相對小的網(wǎng)絡(luò)模型，另一種方法是設(shè)計小型的網(wǎng)絡(luò)模型進行訓(xùn)練。現(xiàn)階段最具代表性的輕量化網(wǎng)絡(luò)為MobileNetV2網(wǎng)絡(luò)。

MobileNetV2網(wǎng)絡(luò)繼承了V1網(wǎng)絡(luò)的優(yōu)點，但是在其基礎(chǔ)上引入了倒殘差結(jié)構(gòu)和線性瓶頸結(jié)構(gòu)。與傳統(tǒng)的殘差結(jié)構(gòu)不同，倒殘差結(jié)構(gòu)是將網(wǎng)絡(luò)的維度先升高再降低。網(wǎng)絡(luò)中通過引入1×1卷積來提升網(wǎng)絡(luò)的通道數(shù)，然后在此基礎(chǔ)上利用深度卷積替換標(biāo)準(zhǔn)卷積。深度卷積在網(wǎng)絡(luò)迭代過程中，將特征圖的維度分為不同的深度通道進行卷積，最后再合并為一張完整的特征圖，這樣的操作能夠大幅降低計算量。而線性瓶頸結(jié)構(gòu)的設(shè)計思路是利用1×1的逐點卷積將網(wǎng)絡(luò)的維度降低，進而同輸入相加。去除最后一層的激活函數(shù)ReLU，用線性激活函數(shù)來替代，使用這種方法能夠改進信息損失嚴(yán)重的問題。網(wǎng)絡(luò)中的擴張系數(shù)是為了控制網(wǎng)絡(luò)結(jié)構(gòu)的大小。網(wǎng)絡(luò)的瓶頸結(jié)構(gòu)如圖2所示，其中，（a）為步長為1時的結(jié)構(gòu)圖，（b）為步長為2時的結(jié)構(gòu)圖。

圖2 MobileNetV2瓶頸圖Fig.2 MobileNetV2 bottleneck diagram

2 基于輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊的實時檢測網(wǎng)絡(luò)

針對彈上部署環(huán)境要求網(wǎng)絡(luò)足夠輕量化，高精確率以及快速檢測的問題。文中使用YOLOv3算法為檢測算法，保證其檢測速度滿足要求。將算法的主干網(wǎng)絡(luò)替換為MobileNetV2網(wǎng)絡(luò)，保證算法主體結(jié)構(gòu)的輕量化要求。在算法中加入輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊，在保證網(wǎng)絡(luò)計算量的基礎(chǔ)上提升檢測精確率，使目標(biāo)檢測網(wǎng)絡(luò)達到彈上部署的要求。

本章介紹網(wǎng)絡(luò)整體框架與流程，并且給出輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊的詳細設(shè)計方法。

2.1 算法框架

PAC-3檢測算法框架如圖3所示。首先，將反導(dǎo)陣地的圖片輸入網(wǎng)絡(luò)中，圖片進入主干網(wǎng)絡(luò)進行主要特征提取工作。圖片經(jīng)過MobileNetV2主干網(wǎng)絡(luò)提取出相應(yīng)的特征圖，經(jīng)過特征圖生成對應(yīng)的金字塔選擇特征圖，在候選框和特征圖的基礎(chǔ)上，連接旋轉(zhuǎn)不變性模塊。通過旋轉(zhuǎn)不變形模塊將遙感圖像的方向信息與空間信息進行編碼，生成相對應(yīng)的適應(yīng)于旋轉(zhuǎn)對象的候選框，最后經(jīng)過全連接層生成相應(yīng)的回歸圖片，得到檢測結(jié)果。

圖3 PAC-3檢測算法框架Fig.3 PAC-3 detection algorithm framework

檢測流程中的主干網(wǎng)絡(luò)應(yīng)用MobileNetV2網(wǎng)絡(luò)結(jié)構(gòu)，如圖4。在此基礎(chǔ)上進行改進，加入輕量化的高效通道注意力模塊。將這一模塊嵌入第3、5、6、7層，提升網(wǎng)絡(luò)性能的同時保證特征圖尺寸不變。首先，輸入檢測圖像，經(jīng)過9層卷積操作，提取目標(biāo)特征圖，在這一過程中，引入注意力模塊，在提取的過程中，使網(wǎng)絡(luò)更加關(guān)注目標(biāo)的特征信息。

圖4 主干網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Backbone network structure

2.2 目標(biāo)旋轉(zhuǎn)不變性檢測模塊

由于遙感圖像目標(biāo)的分布方向通常是任意的，因此，算法需要大量的旋轉(zhuǎn)增強數(shù)據(jù)[15]來訓(xùn)練網(wǎng)絡(luò)，這就產(chǎn)生了更多的參數(shù)來編碼方向信息，這往往是高度冗余和低效的，導(dǎo)致網(wǎng)絡(luò)復(fù)雜性以及計算量增加。本文設(shè)計了一種目標(biāo)旋轉(zhuǎn)不變性檢測模塊，在提取到的特征圖上對旋轉(zhuǎn)目標(biāo)進行編碼，生成能夠自適應(yīng)旋轉(zhuǎn)目標(biāo)的候選框，得到更加準(zhǔn)確的檢測結(jié)果。

目標(biāo)旋轉(zhuǎn)不變性檢測模塊如圖5所示，它包含兩步，分別是空間維度的對齊和方向維度的對齊。先在網(wǎng)絡(luò)中提取旋轉(zhuǎn)等變特征，知道目標(biāo)在旋轉(zhuǎn)過程中哪一部分是隨著旋轉(zhuǎn)變化一起變化的特征。之后在此基礎(chǔ)上，設(shè)計一種對齊算法，從已經(jīng)提取出來的旋轉(zhuǎn)等變特征中提取旋轉(zhuǎn)過程中不變的特征，將其與變化的空間和方向維度對齊，產(chǎn)生一種旋轉(zhuǎn)不變的特征。將這種提取到的特征加入到候選框的方向編碼中，可以準(zhǔn)確地預(yù)測方向，從而大大地減小模型的尺寸。

圖5 目標(biāo)旋轉(zhuǎn)不變性檢測模塊Fig.5 Target rotation invariance detection module

在第一步中，利用等價性轉(zhuǎn)換的性質(zhì)，在空間維度上首先進行對齊，將旋轉(zhuǎn)目標(biāo)對齊至模板目標(biāo)狀態(tài)，等價性對齊公式如式（1）：

其中，?為卷積運算；f：Z2→RK為K維特征映射；Tt表示旋轉(zhuǎn)過程中的組動作；φ：Z2→RK表示卷積濾波器。

為了保證不同方向的一致性，在方向維度上進行方向?qū)R。具體來說，對于輸出區(qū)域特征，方向?qū)R表達式為：

其中，SC和Int分別表示開關(guān)通道和特征插值運算。fR是特征區(qū)域，r是計算出的索引，在循環(huán)切換方向通道的過程中，確保方向通道始終與第一個方向通道對齊。

2.3 輕量化高效通道協(xié)同注意力模塊

在注意力機制的研究以及應(yīng)用方面，主要存在兩個問題。第一個是通道注意力[16]不能準(zhǔn)確定位出位置信息，而設(shè)計并行的通道和空間雙注意力機制[17]又會增加計算量。第二個是注意力機制常被應(yīng)用于大型模型，其計算量大，不適合用于移動網(wǎng)絡(luò)[18]。為了使網(wǎng)絡(luò)在能夠應(yīng)用于移動網(wǎng)絡(luò)的基礎(chǔ)上增加檢測精確率，本文設(shè)計了一種輕量化高效通道檢測模塊，將其嵌入主干網(wǎng)絡(luò)當(dāng)中。

本文提出的通道協(xié)同注意力模塊如圖6所示。設(shè)計模塊的總體思路是將一個卷積拆分為兩個方向的一維卷積，在水平方向和垂直方向分別進行卷積，這樣不僅僅能夠捕獲通道方向的信息，更能夠敏感地注意到位置信息和方向信息。其次，它用兩個一維的卷積塊，能夠在兩個方向上大量的節(jié)省計算量，實現(xiàn)其輕量化的優(yōu)點，進而能夠部署到任意的大型網(wǎng)絡(luò)中而不增加計算量和算法復(fù)雜度。

圖6 輕量化高效通道協(xié)同注意力模塊Fig.6 Lightweight and efficient channel collaborative attention module

文中設(shè)計的注意力機制分為兩個步驟，第一步是坐標(biāo)信息嵌入通道傳遞過程中，第二步是生成含有坐標(biāo)信息的特征圖。首先，給定輸入X，使用池化層沿著水平方向和垂直方向?qū)γ總€通道進行編碼，池化范圍分別為(H,1)和(1,W)，其中，高度h處的第c個通道的輸出可以表示為：

同理可得，第c個通道在寬度為w時的輸出為：

通過第一步的操作可以捕捉到沿著一個空間方向的長期依賴關(guān)系，并且保存沿著另一個空間方向的精確位置信息，使網(wǎng)絡(luò)更準(zhǔn)確的定位其中感興趣的目標(biāo)。在第二步中，首先將提取到的信息進行拼接，然后利用一個1×1的卷積變換函數(shù)F1進行信息轉(zhuǎn)換，進而得到：

其中，[zh,zw]表示沿空間維度的信息拼接融合，δ為非線性激活函數(shù)，f∈RC r×(H+W)是對水平方向和垂直方向的空間信息進行編碼的中間特征圖，r為縮減率。將中間特征圖沿著空間維度分解為2個單獨的張量，再利用兩個卷積變換為具有相同通道數(shù)的張量，得到：

其中，σ為sigmoid激活函數(shù)。最后，將上式輸出結(jié)果進行擴展，分別作為注意力權(quán)重分配值，最終的輸出為：

3 實驗與結(jié)果分析

本實驗的操作系統(tǒng)為Ubuntu18.04，GPU為NVIDIA GeForce RTX3090Ti（顯存24GB），深度學(xué)習(xí)框架采用的是Pytorch，算法驗證環(huán)境為Pycharm+Anaconda。

3.1 數(shù)據(jù)集分析及聚類

本文數(shù)據(jù)集來源為開源的Google Earth。截取不同高度、不同方位、不同時間、不同地點的1539張圖片，經(jīng)過篩選，去除189張低質(zhì)量、目標(biāo)不明確的圖片，剩余1350張圖片，共包含目標(biāo)5783個，平均每張圖片包含目標(biāo)4.3個。數(shù)據(jù)集按照YOLO標(biāo)簽格式制作，利用“Labelimg”打標(biāo)簽開源軟件對其進行標(biāo)注。本文算法將840張圖片作為訓(xùn)練集，210張圖片作為驗證集，300張圖片作為測試集。數(shù)據(jù)集部分樣本如圖7所示。

圖7 數(shù)據(jù)集部分樣本Fig.7 Partial sample of data set

數(shù)據(jù)集標(biāo)簽的分布如圖8所示，從圖中可以看到數(shù)據(jù)集中PAC-3的尺寸大小不一，標(biāo)簽框的大小分布不均衡，小目標(biāo)占據(jù)了大部分，相對大的目標(biāo)占據(jù)了小部分，這給檢測難度造成了增加，需要在本文數(shù)據(jù)集的基礎(chǔ)上重新聚類出適合本文的先驗框。

圖8 標(biāo)簽分布Fig.8 Label distribution

原網(wǎng)絡(luò)的先驗框包含80個種類，其形態(tài)、物體大小分布相對均勻。原網(wǎng)絡(luò)的先驗框不適合本數(shù)據(jù)集進行訓(xùn)練，因而需要重新聚類出適合訓(xùn)練需要的先驗框數(shù)量以及尺寸。

K-means聚類算法是發(fā)現(xiàn)數(shù)據(jù)集中的K個中心點，并且以樣本間相似性進行聚類的算法。使用距離度量公式對兩點間的距離進行計算，而常用的距離公式有切比雪夫距離公式，歐氏距離公式，曼哈頓距離公式。文中使用K-means算法計算預(yù)測框與真實框之間的交并比IOU。

由于使用歐式距離會使得大的目標(biāo)比小的目標(biāo)產(chǎn)生更多的錯誤，本文使用新的距離公式為：

對已經(jīng)標(biāo)注好的標(biāo)簽數(shù)據(jù)集進行聚類分析，聚類出最適合本文數(shù)據(jù)集的先驗框數(shù)量以及尺寸大小。經(jīng)過多次試驗分析，得到的結(jié)果如圖9所示。

圖9 K-means聚類結(jié)果Fig.9 K-means clustering results

由圖9可知，當(dāng)K>9時，平均交并比上升緩慢，幾乎停滯不前，9為優(yōu)化過程中出現(xiàn)的拐點，因而選取先驗框數(shù)量為9。經(jīng)過聚類結(jié)果可知，九種尺寸的先驗框大小分別為（12，18）、（27，32）、（54，48）、（35，79）、（58，119）、（93，83）、（146，133）、（135，242）、（78，191）。以聚類得到的結(jié)果為本數(shù)據(jù)集的先驗框，將其應(yīng)用于訓(xùn)練過程中，優(yōu)化網(wǎng)絡(luò)性能指標(biāo)。

3.2 實驗設(shè)置及評估標(biāo)準(zhǔn)

在PAC-3數(shù)據(jù)集的基礎(chǔ)上，對YOLOv3網(wǎng)絡(luò)訓(xùn)練，之后將主干網(wǎng)絡(luò)更換為MobileNetV2，加入最新聚類先驗框尺寸以及注意力模塊和旋轉(zhuǎn)不變性模塊后，分別對不同網(wǎng)絡(luò)進行對比實驗，以驗證本文提出的算法對檢測性能提升的效果。訓(xùn)練階段統(tǒng)一采用的參數(shù)為：初始學(xué)習(xí)率為0.01，權(quán)重衰減系數(shù)為0.000 5，迭代次數(shù)為300次，動量因子為0.94，每一個batch包含16張圖片，參數(shù)優(yōu)化方法采用梯度下降法。

文中采用的評價標(biāo)準(zhǔn)分別為每秒處理圖像的幀數(shù)即檢測速率（Frame Per Second，F(xiàn)PS）、精確率（Precision）、召回率（Recall）以及平均檢測精度（AP）。平均檢測精度的定義為：

式中，P表示精確率，R表示召回率，定義如式（11）和式（12）所示：

其中，TP代表的是預(yù)測為正的樣本，F(xiàn)N代表預(yù)測為負(fù)的樣本，F(xiàn)P代表預(yù)測為正的樣本。

3.3 實驗結(jié)果

在PAC-3遙感數(shù)據(jù)集中，驗證本文提出算法的檢測性能，設(shè)計消融實驗來驗證不同改進策略的檢測結(jié)果。通過表1的結(jié)果顯示，經(jīng)過三種改進策略后的結(jié)果相比于原網(wǎng)絡(luò)有了很大的提升。而在加入聚類得到的新先驗框以及輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊后的結(jié)果相比于其他三種單獨的改進策略的各項性能指標(biāo)，有了極大的提升，其中，精確率提升6.7個百分點，召回率提升3.9個百分點，平均檢測精度提升4.4個百分點。此外，就三種改進策略的結(jié)果分析可知，網(wǎng)絡(luò)僅僅重新聚類，改進其先驗框的方法對檢測性能提升的幫助相對有限。而在加入目標(biāo)旋轉(zhuǎn)不變性檢測模塊后，檢測精確率提升較為明顯，主要原因是網(wǎng)絡(luò)能夠準(zhǔn)確提取旋轉(zhuǎn)特征，在檢測的過程中生成自適應(yīng)的旋轉(zhuǎn)候選框，更加準(zhǔn)確地定位圖中的目標(biāo)。在加入輕量化高效通道協(xié)同注意力模塊后，檢測性能有了更大的提升，是因為通過水平和垂直方向的編碼再融合后，在準(zhǔn)確找到目標(biāo)所在位置的同時豐富了目標(biāo)特征圖的語義。在檢測速度方面，各策略均體現(xiàn)了良好的檢測速度，都能達到每秒30張以上的處理效果。相對而言，本文算法在速度上有所降低，是由于增加了輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊，導(dǎo)致速度有所損失。綜合考慮，本文算法在保證檢測速度的基礎(chǔ)上，精確率、召回率以及平均檢測精度都有了極大的提升，能夠?qū)崿F(xiàn)導(dǎo)彈智能突防的要求。

表1 實驗結(jié)果Table 1 Experimental result

圖10 為AP曲線變化過程圖，圖中不同顏色代表不同改進策略在300次迭代過程中的上升曲線?？梢钥闯?，基礎(chǔ)算法的各項性能都處于圖中最下方，紫色線條代表的本文算法在迭代過程中處于圖中最上方，證明了本文算法對PAC-3目標(biāo)的檢測性能更好。

圖10 AP曲線Fig.10 AP curve

為進一步檢驗本文算法在輕量化網(wǎng)絡(luò)方面的優(yōu)勢，將所提出的網(wǎng)絡(luò)結(jié)構(gòu)進行網(wǎng)絡(luò)大小的對比，結(jié)果如表2所示。其中，網(wǎng)絡(luò)大小的單位為MB，表示存儲一個CNN模型所占用的空間。從中可以看到，在增加了輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊的情況下，既能夠提高平均檢測精度，保證較快的檢測速度，同時也能夠保證網(wǎng)絡(luò)大小變化較小，使網(wǎng)絡(luò)保持輕量化，具備移動端部署的條件。

表2 網(wǎng)絡(luò)大小對比Table 2 Network size comparison

圖11 為PAC-3部分?jǐn)?shù)據(jù)集的檢測結(jié)果。結(jié)果顯示，本文算法對于多目標(biāo)，小尺寸狀態(tài)下的遙感圖像檢測效果很好。

圖11 檢測結(jié)果展示Fig.11 Test result display

4 結(jié)束語

在彈載環(huán)境下，需要目標(biāo)檢測算法同時具備輕量化，快速檢測以及高精確率的要求。為此，本文選擇YOLOv3算法保證檢測速度，將主干網(wǎng)絡(luò)替換為MobileNetV2保證網(wǎng)絡(luò)的輕量化。通過添加輕量化高效通道協(xié)同注意力模塊和目標(biāo)旋轉(zhuǎn)不變性檢測模塊，在計算量和參數(shù)整體不變的情況下提升網(wǎng)絡(luò)的檢測精確率。模型大小僅為17.5 MB，精度能夠達到97.8%，檢測速度達到每秒34.19張圖。實驗結(jié)果表明，本文算法模型可以在資源受限的彈上嵌入式部署，能夠快速準(zhǔn)確地檢測出敵方防空反導(dǎo)陣地，使導(dǎo)彈智能突防具備可行性。