典型文献
HourglassNet:一种用于遥感目标检测的改进FCOS算法
文献摘要：
针对遥感图像中背景复杂、目标分布密集、目标尺度形态多样等问题,该文在单阶段全卷积(FCOS)目标检测模型的基础上,基于沙漏特征金字塔并且与多尺度上下文场景结合,提出了沙漏网(HourglassNet).针对卷积神经网络(CNN)中不同深度语义信息和空间信息不均衡的问题,提出了一种沙漏特征金字塔,通过将多尺度特征缩放至中间尺度进行融合和优化以获得全局特征.基于注意力机制将全局特征向不同尺度特征传递,在抑制无关特征的同时增强了有效特征,实现了对多尺度特征的补偿.为了将高层特征的语义信息更加充分地融入不同尺寸的特征图内,设计了多尺度上下文融合模块.利用适当的感受野提取高层特征的上下文信息,提升了特征的鲁棒性和辨识性.分别在DOTA v1.5和NWPU VHR-10公开遥感图像数据集上进行了性能对比与消融实验.结果表明,该文算法的均值平均精度(mAP)相比于FCOS在DOTA v1.5和NWPU VHR-10数据集上分别提升了4.3％和3.4％,且检测性能优于YOLOv3等其它对比方法.
文献关键词：
单阶段全卷积目标检测;遥感图像;沙漏特征金字塔;多尺度特征;上下文场景;卷积神经网络;注意力机制;特征融合
中图分类号：
作者姓名：
原瑜蔓;白宏阳;郭宏伟;付宏建;李泽超
作者机构：
南京理工大学 能源与动力工程学院,江苏 南京210094;南京理工大学 计算机科学与工程学院,江苏 南京210094
文献出处：
引用格式：
[1]原瑜蔓;白宏阳;郭宏伟;付宏建;李泽超-.HourglassNet:一种用于遥感目标检测的改进FCOS算法)[J].南京理工大学学报（自然科学版）,2022(06):719-727,741
A类：
HourglassNet,沙漏特征金字塔,上下文场景,单阶段全卷积目标检测
B类：
遥感目标检测,FCOS,遥感图像,标尺,目标检测模型,多尺度上下文,漏网,不同深度,语义信息,空间信息,多尺度特征,特征缩放,中间尺度,全局特征,注意力机制,不同尺度,有效特征,不同尺寸,特征图,上下文融合模块,感受野,上下文信息,DOTA,v1,NWPU,VHR,图像数据集,性能对比,消融实验,均值平均精度,mAP,检测性能,YOLOv3,比方,特征融合
AB值：
0.27202
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
