遥感图像目标检测是对目标视觉特征的描述与图像先验知识的表达,解译得到的信息无论在军事领域还是在民用领域都有着广泛的应用.针对复杂场景下遥感图像目标特征提取能力不足,目标尺度差异较大、方向任意且紧密排列,传统目标检测所使用的水平框难以准确定向等问题,提出了一种精细化多尺度特征的遥感图像定向目标检测算法.首先,设计了一种基于空洞卷积的上下文注意力网络,能够利用不同空洞率的卷积核捕获局部和全局语义信息,并利用注意力机制将语义信息整合到原始特征上,提升目标特征提取能力;其次,提出了一个精细化的特征金字塔网络,通过像素混洗的方式减少特征金字塔中的通道信息损失,强化网络对差异性大的多尺度目标特征信息的理解能力;最后,研究利用滑动顶点的方式回归定向的矩形框,更好地表示遥感图像内有向目标的位置.本文以FastR-CNNOBB为基准,通过在目标检测公开数据集DOTA和HRSC2016上验证了算法的有效性,结果显示本文算法在DOTA数据集上与基准算法比较,平均精度(mAP)提升了22.65％,最终检测精度mAP达到了 76.78％.在HRSC2016数据集上,最终检测精度mAP达到了 89.95％.此外,本文算法较多种先进算法相比均有具有较好的提升.

遥感;深度学习;目标检测;特征提取;多尺度特征金字塔;定向回归框

中国矿业大学环境与测绘学院,徐州221116;中国矿业大学人工智能研究院,徐州221116;中国科学院空天信息创新研究院,北京100094;济南市勘察测绘研究院,济南250013;中国空间技术研究院卫星应用总体部,北京100094

[1]张省;李山山;魏国芳;张新耐;高建威-.面向精细化多尺度特征的遥感图像目标检测)[J].遥感学报,2022(12):2616-2628

FastR,CNNOBB,定向回归框

遥感图像,图像目标检测,视觉特征,图像先验,先验知识,解译,军事领域,民用领域,复杂场景,目标特征,特征提取能力,标尺,尺度差异,目标检测算法,空洞卷积,上下文注意力,注意力网络,空洞率,卷积核,全局语义信息,注意力机制,信息整合,合到,提升目标,特征金字塔网络,像素,混洗,塔中,信息损失,多尺度目标,特征信息,理解能力,研究利用,顶点,矩形框,公开数据集,DOTA,HRSC2016,算法比较,mAP,检测精度,多尺度特征金字塔

0.372363