本发明涉及一种遥感图像目标检测方法，具体涉及一种基于可形变与深度分离卷积的遥感图像目标检测方法。
背景技术：
1、遥感技术是一项重要的技术领域，随着传感器技术的迅速发展和进步，人们开始更加利用卫星和各种遥感图像来远程观测地球。遥感图像充满信息，能够广泛应用于环境监测、城市规划、资源勘探和军事侦察等领域。近年来，越来越多的专业遥感卫星被送入了轨道，这意味着我们能够获得的遥感图像数据呈指数级增长，以满足生产和研究的多方面需求。然而，遥感图像的复杂度也越来越复杂，分辨率的变化幅度越来越大，图像的覆盖范围也越来越广。而且同一类型的物体在不同的遥感图像上的特征经常不尽相同，这就需要我们探索如何更好地处理和分析遥感数据，提取出更有用的信息。因此，如何更好地利用遥感图像也成为了热门研究课题之一。
2、因此，进一步提高遥感图像目标检测的精度，有效地提升算法对于遥感图像多尺度目标的检测精度问题是相关领域学者的研究重点。
技术实现思路
1、本发明针对现有的目标检测算法yolov5对于遥感图像中多尺度目标检测效果不佳的问题，提供了一种基于可形变与深度分离卷积的遥感图像目标检测方法，旨在提高在遥感图像多尺度目标情况下的检测精度。
2、本发明的目的是通过以下技术方案实现的：
3、一种基于可形变与深度分离卷积的遥感图像目标检测方法，包括如下步骤：
4、步骤一、改进yolov5网络模型结构
5、步骤一一、在yolov5多尺度检测头的中目标层使用卷积核为7寸的可变形卷积替换普通的常规卷积进行中目标层的特征提取，可形变卷积可以有效的提取到遥感图像目标形态各异，面积大小不一的特征；
6、步骤一二：在yolov5多尺度检测头的大目标层使用卷积核为31寸的深度可分离卷积替换普通的常规卷积进行大目标层的特征提取与特征融合，大尺寸卷积核能显著增加有效感受野，可包含更多的上下文信息，大卷积核能引导网络倾向于学习更多形状特征，可以有效地提升大尺度目标的精度；
7、步骤二、目标检测
8、将训练集输入至改进的yolov5网络模型进行训练，得到训练后的网络模型，即可使用所得到的网络模型对遥感图像中的目标进行检测。
9、相比于现有技术，本发明具有如下优点：
10、本发明提供了一种改进yolov5算法，在中目标层选用了7寸卷积核的可形变卷积用于特征提取，使网络模型更方便地捕捉真实目标的不规则特性；在大目标层中使用了31寸卷积核的深度可分离卷积用于特征提取与特征融合，在增大有效感受野的同时也能削减模型计算量。本发明通过改进各检测层的感受野进而提升遥感图像不同尺度目标检测的准确性，从而实现在遥感图像中存在多种尺度目标的情况下提升检测精度。
1.一种基于可形变与深度分离卷积的遥感图像目标检测方法，其特征在于所述方法包括如下步骤：
2.根据权利要求1所述的基于可形变与深度分离卷积的遥感图像目标检测方法，其特征在于所述中目标层的特征提取方法如下：
3.根据权利要求1所述的基于可形变与深度分离卷积的遥感图像目标检测方法，其特征在于所述大目标层的特征提取与特征融合的方法如下：
