为解决遥感图像小目标检测中目标特征信息量少、定位困难等难题,提出一种基于特征融合与注意力机制的遥感图像小目标检测算法FFAM-YOLO(Feature Fusion and Attention Mechanism YOLO).该算法首先针对主干网络特征提取有效信息量少、特征图信息表征能力弱的问题,构造特征增强模块(FEM)以融合较低层级特征图中多重感受野特征,提升算法主干网络的目标特征提取能力;其次,主干网络提取得到高低层级特征图后,建立重构算法的高低层级特征融合结构,利用特征融合模块(FFM)显著增强小目标的特征信息;在增强的有效通道注意力机制(E-ECA)与空间注意力模块(SAM)所组成的级联注意力机制(ESM)作用下,可更精确地捕获小目标特征;最后在输出的两路特征图上进行小目标检测并输出结果.实验结果表明,基于构建的遥感图像小目标数据集USOD(Unicorn Small Object Dataset),所提算法的查准率达到91.9％,查全率达到83.5％,检测框与真实框之间的交并比阈值(IoU)为0.5时的平均精度(AP)为89％,IoU为0.5:0.95时的AP达到32.6％,检测速率达到120 frame/s,具有一定的鲁棒性和实时性.

机器视觉;小目标检测;遥感图像;特征融合;注意力机制;特征增强

张寅;朱桂熠;施天俊;张琨;闫钧华

南京航空航天大学空间光电探测与感知工业和信息化部重点实验室,江苏南京211106;南京航空航天大学航天学院,江苏南京211106;哈尔滨工业大学空间光电工程中心,黑龙江哈尔滨150001

光学学报

[1]张寅;朱桂熠;施天俊;张琨;闫钧华-.基于特征融合与注意力的遥感图像小目标检测)[J].光学学报,2022(24):132-142

USOD,Unicorn

遥感图像,小目标检测,特征信息,信息量,目标检测算法,FFAM,YOLO,Feature,Fusion,Attention,Mechanism,主干网络,网络特征,有效信息,特征图,图信息,信息表征,表征能力,构造特征,特征增强模块,FEM,低层,层级特征,感受野,特征提取能力,重构算法,特征融合模块,FFM,有效通道注意力机制,ECA,空间注意力,注意力模块,SAM,ESM,小目标特征,两路,输出结果,Small,Object,Dataset,查准率,查全率,交并比,IoU,AP,检测速率,frame,机器视觉

0.377893