1 南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏 南京 210044
2 南京信息工程大学自动化学院,江苏 南京 210044
针对遥感有向目标存在的检测问题,设计了一个基于改进Rotated RPN的网络,设计特征重组机制,通过加权使网络关注有效目标区域。使用新的有向框标注方法,避免在临界角度出现错位等问题。在检测头前端使用极化注意力模块,改善因为分类和回归任务所需特征不一致导致的性能下降问题。实验结果表明,该模型可以提高多类目标的检测精度。相较于基准Rotated RPN,该模型在Dior-R数据集上精度提升4.95%,在HRSC2016数据集上精度提升11.75%。
遥感 有向目标检测 深度学习 特征重组 极化注意力
1 南京信息工程大学江苏省大气环境与装备技术协同创新中心,江苏 南京,210044
2 南京信息工程大学自动化学院,江苏 南京 210044
针对遥感图像中小目标规模大、分布不均匀、尺度比例变化大和背景复杂等问题,提出一种改进的级联算法SA-Cascade。该算法使用循环特征金字塔使产生的特征表示逐步增强,提高小目标的检测率。使用基于可学习锚的建议区域生成网络,对遥感目标进行精确定位,并且引入特征自适应模块和特征融合模块,以提高模型对复杂背景图像的检测性能。在级联的基础上引入双分支检测头以提高模型对小目标的检测性能。在TGRS-HRRSD-Dataset和VisDrone-DET数据集上对不同算法进行对比实验,实验结果表明:改进后的级联算法可以更精确地对遥感图像目标进行检测和定位,相比改进前的级联算法在两个数据集上的精度分别提高2.94%和9.71%。
遥感 目标检测 深度学习 特征融合 级联算法 光学学报
2022, 42(24): 2428004