【技术实现步骤摘要】
本专利技术涉及目标识别，具体而言，尤其涉及一种基于yolov5的sar目标识别算法及存储介质。
技术介绍
1、sar是一种将目标电磁散射特性映射为距离向和方位向二维图像的高分辨率成像传感器。由于电磁波具有强透射性，sar不受天气因素以及昼夜、明暗等环境因素的影响，可对目标区域进行全天时、全天候持续观测。因此研究基于深度学习的sar目标识别技术具有理论意义和实际应用价值。而卷积神经网cnn作为深度学习技术中一种非常有效的特征提取方法，应用于sar图像目标识别任务。
2、在实际的目标识别任务中，出于实时性需求的考虑，单阶段目标识别算法应用相对较为广泛。然而，为了进一步权衡单阶段目标算法的精度与速度，目前仍在不断探索算法的优化与改进方法。yolo系列算法经过不断发展，yolov5以其精度高、速度快、扩展性强等特点成为目前目标识别最常用的模型之一，无论是在目标识别领域竞赛还是实际项目中，yolov5都具有较好的表现。近年来研究者们通过改进网络结构、添加模块等方法进一步提升yolov5模型性能，如采用resnet50作为骨干网络，并将部分卷积替换为可变性卷积，但该方法增加了网络复杂度；有学者提出了一种改进的特征金字塔网络af-fpn，利用自适应注意模块和特征增强模块减少特征图降维过程中的信息丢失，提高多尺度目标的识别性能，但该方法计算参数增大，提高目标识别难度。故yolov5在小目标识别、复杂背景下目标识别等应用场景仍然存在一些需要解决的问题，具有相当的改进空间。
3、有鉴于此，本专利技术提供了一种基于yolov5
技术实现思路
1、根据上述提出的不足，而提供一种基于yolov5的sar目标识别算法及存储介质。本专利技术主要利用引入simam无参注意力机制，在训练和识别的过程中可以更加的关注sar目标的细节特征，同时减少对无关信息的关注；选用eiou作为预测锚框的损失函数，提高模型的定位精度；引入ghost空洞卷积减小计算量对模型进行轻量化处理。
2、本专利技术采用的技术手段如下：
3、本专利技术提供了一种基于yolov5的sar目标识别算法，包括：
4、获取sar图像数据集，所述sar图像数据集包括sar图像，对所述sar图像进行目标标注得到处理后的所述sar图像数据集；
5、将处理后的所述sar图像数据集划分为训练数据集和测试数据集；
6、向yolov5网络结构添加simam注意力机制和c3ghost空洞卷积模块、修改所述yolov5网络结构的损失函数，得到修改后的所述yolov5网络结构；
7、采用所述训练数据集对修改后的所述yolov5网络结构进行训练，得到训练后的所述yolov5网络结构；
8、将所述测试数据集输入训练后的所述yolov5网络结构，得到识别结果。
9、优选地，所述向yolov5网络结构添加simam注意力机制和c3ghost空洞卷积模块、修改所述yolov5网络结构的损失函数，包括：
10、所述yolov5网络结构包括网络主干、网络颈部和网络头部，所述c3ghost空洞卷积模块替换所述网络主干的c3模块；
11、所述网络颈部包括顺次连接的上采样模块、concat模块和所述c3模块，在所述concat模块和所述c3模块之间添加所述simam注意力机制，通过所述simam注意力机制将所述concat模块和所述c3模块进行连接；
12、采用损失函数eiou_loss替换所述yolov5网络结构的损失函数ciou_loss。
13、优选地，所述simam注意力机制的能量函数按照以下方式计算：
14、
15、其中，λ为正则项，所有神经元在单个通道上的均值，为所有神经元在单个通道上的方差，t为目标神经元的输入特征张量。
16、优选地，所述损失函数eiou_loss按照以下方式计算：
17、
18、其中，iou为交并比，ρ2(b，bgt)为真实框的中心点与预测框的中心点的欧氏距离，c为能够同时覆盖所述真实框和所述预测框的最小闭包区域的对角线距离，为能够同时覆盖所述真实框和所述预测框的最小外界框的宽度，为能够同时覆盖所述真实框和所述预测框的最小外界框的高度，wgt、hgt为所述真实框的宽度和高度，w、h为所述预测框的宽度和高度。
19、优选地，所述c3ghost空洞卷积模块先进行卷积计算得到初级特征图，所述初级特征图的通道数小于预设值；对所述初级特征图进行线性操作得到次级特征图，将所述次级特征图与恒等映射在通道方向拼接，得到输出特征图。
20、本专利技术还提供了一种存储介质，所述存储介质包括存储的程序，其中，所述程序运行时，执行上述任一项所述的方法。
21、较现有技术相比，本专利技术具有以下优点：
22、本专利技术提供的基于yolov5的sar目标识别算法及存储介质，通过向yolov5网络结构添加simam注意力机制在训练和识别的过程中可以更加的关注sar目标的细节特征，同时减少对无关信息的关注；添加c3ghost空洞卷积模块，减小计算量对模型进行轻量化处理；修改所述yolov5网络结构的损失函数，提高模型的定位精度；利用本专利技术提供的基于yolov5的sar目标识别算法，能够有效提高sar图像目标识别的精度，在复杂背景下，也有着较高的识别率。
本文档来自技高网...【技术保护点】
1.一种基于YOLOv5的SAR目标识别算法，其特征在于，包括：
2.根据权利要求1所述的基于YOLOv5的SAR目标识别算法，其特征在于，所述向YOLOv5网络结构添加SimAM注意力机制和C3Ghost空洞卷积模块、修改所述YOLOv5网络结构的损失函数，包括：
3.根据权利要求1或2所述的基于YOLOv5的SAR目标识别算法，其特征在于，所述SimAM注意力机制的能量函数按照以下方式计算：
4.根据权利要求2所述的基于YOLOv5的SAR目标识别算法，其特征在于，所述损失函数EIoU_Loss按照以下方式计算：
5.根据权利要求1或2所述的基于YOLOv5的SAR目标识别算法，其特征在于，所述C3Ghost空洞卷积模块先进行卷积计算得到初级特征图，所述初级特征图的通道数小于预设值；对所述初级特征图进行线性操作得到次级特征图，将所述次级特征图与恒等映射在通道方向拼接，得到输出特征图。
6.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序运行时，执行所述权利要求1至5中任一项权利要求所述的方法。p>...
【技术特征摘要】
1.一种基于yolov5的sar目标识别算法，其特征在于，包括：
2.根据权利要求1所述的基于yolov5的sar目标识别算法，其特征在于，所述向yolov5网络结构添加simam注意力机制和c3ghost空洞卷积模块、修改所述yolov5网络结构的损失函数，包括：
3.根据权利要求1或2所述的基于yolov5的sar目标识别算法，其特征在于，所述simam注意力机制的能量函数按照以下方式计算：
4.根据权利要求2所述的基于yolov5的sar目标识别算法...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。