引入上下文信息和Attention Gate的GUS-YOLO遥感目标检测算法

来源：计算机科学与探索杂志2024年第2期北京时间：

作者：张华卫, 张文飞, 蒋占军, 廉敬, 吴佰靖

单位：兰州交通大学 电子与信息工程学院，兰州 730070

摘要：目前基于通用YOLO系列的遥感目标检测算法存在并未充分利用图像的全局上下文信息，在特征融合金字塔部分并未充分考虑缩小融合特征之间的语义鸿沟、抑制冗余信息干扰的缺点。在结合YOLO算法优点的基础上提出GUS-YOLO算法，其拥有一个能够充分利用全局上下文信息的骨干网络Global Backbone。除此之外，该算法在融合特征金字塔自顶向下的结构中引入Attention Gate模块，可以突出必要的特征信息，抑制冗余信息。另外，为Attention Gate模块设计了最佳的网络结构，提出了网络的特征融合结构U-Net。最后，为克服ReLU函数可能导致模型梯度不再更新的问题，该算法将Attention Gate模块的激活函数升级为可学习的SMU激活函数，提高模型鲁棒性。在NWPU VHR-10遥感数据集上，该算法相较于YOLOV7算法取得宽松指标mAP0.50 1.64个百分点和严格指标mAP0.75 9.39个百分点的性能提升。相较于目前主流的七种检测算法，该算法取得较好的检测性能。

关键词：遥感图像,Global Backbone,Attention Gate,SMU,U-neck