作者单位
摘要
1 南京信息工程大学电子与信息工程学院,江苏 南京 210044
2 无锡学院电子信息工程学院,江苏 无锡 214105
针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络(ESF-MNet)。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。
光学遥感图像 目标检测 感受野增强 特征融合 注意力机制 
光学学报
2024, 44(6): 0628006
作者单位
摘要
1 长安大学地质工程与测绘学院,陕西 西安 710054
2 中国自然资源航空物探遥感中心,北京 100083
3 武汉大学测绘遥感信息工程国家重点实验室,湖北 武汉 430079
目前主流的神经网络在面对复杂多样的地物目标时难以精确区分,同时样本数量少、弱监督条件也容易为神经网络带来大量噪声与错误。为此,在分析遥感影像的地物特点后,提出一种基于权重动态变形的双重网络遥感影像分类方法,通过构架灵活、简易却有效的权重动态变形结构,构建经过改进的分类网络与目标识别网络,形成双网络对照的自我验证,从而提高学习性能、修复误差、增补遗漏、提高分类精度。实验结果表明,所提方法在容易实施的基础上,表现出更强的地物认知能力和更强的噪声抵抗能力,即其能够适应各种遥感影像的分类任务,具有较为广阔的应用潜力。
遥感影像分类 神经网络 权重动态变形 双重神经网络 自我验证 
激光与光电子学进展
2024, 61(8): 0828001
作者单位
摘要
1 重庆邮电大学计算机科学与技术学院重庆空间大数据智能技术工程研究中心,重庆 400065
2 昆明理工大学信息工程与自动化学院,云南 昆明 650500
高分辨率无人机遥感图像具有极为丰富的语义和地物特征,在语义分割中容易出现目标分割不全、边缘信息缺失、分割精度不足等问题。为了解决上述问题,基于DeepLabV3_plus模型提出改进的DeepLabV3_DHC。首先,利用多种主干网络进行下采样,采集图像的低级特征和高级特征。其次,将原模型的atrous spatial pyramid pooling(ASPP)全部替换成深度可分离混合空洞卷积,同时添加自适应系数,减弱网格效应。之后,抛弃传统上采样的双线性插值法,替换为可学习的密集上采样卷积。最后,在低级特征中串联注意机制。选用多种主干网络进行实验,数据集选用四川省隆昌市地区的部分图像,采用平均交并比和类别平均像素准确率作为评价指标。实验结果表明:所提方法不仅具有较高的分割精度,而且减少了计算量和参数量。
城市无人机遥感图像 语义分割 深度可分离混合空洞卷积 密集上采样 注意力机制 网格效应 
激光与光电子学进展
2024, 61(4): 0428005
作者单位
摘要
昆明理工大学国土资源工程学院,云南 昆明 650093
高分辨率遥感影像建筑物提取是遥感影像解译的一个重要研究方向。针对传统提取方法中小型建筑物容易丢失和大型建筑物边界模糊问题,以Unet为基础,提出一种基于多模块建筑物提取网络(MM-Unet)。首先在网络的编码和解码部分引入多尺度特征组合模块(MFCM)以获取并补充更多的空间信息。之后在解码器末端加入多尺度特征增强模块(MFEF)以增强多尺度特征的提取。在跳跃连接完成后引入双重注意力模块(DAM),使网络能够自适应地学习通道和空间位置的特征重要性,减小不同深度特征的差异。为了验证所提网络的有效性,分别在空间分辨率为1 m、0.3 m、0.09 m的Massachusetts、WHU以及Vaihingen建筑物数据集上进行实验,MM-Unet的交并比分别达到73.42%、90.11%和85.21%,相比于Unet分别提高2.21个百分点、1.25个百分点和1.55个百分点。结果表明,MM-Unet对于不同尺度的建筑物表现出较高的提取精度和较强的泛化能力。
遥感影像 建筑物提取 多尺度 注意力机制 特征组合 
激光与光电子学进展
2024, 61(4): 0428004
作者单位
摘要
1 中国科学院空天信息创新研究院,北京 100190
2 中国科学院大学电子电气与通信工程学院,北京 100049
飞机掩体是关键的飞机防护工事,利用遥感影像实现飞机掩体的快速准确检测有重要意义。为探究遥感影像飞机掩体检测方法,收集了60个包含飞机掩体的机场信息及Google Earth影像,构建了一个飞机掩体高分辨率遥感影像数据集。对比Faster R-CNN、SSD、RetinaNet、YOLOv3和YOLOX等5个深度学习目标检测模型的综合性能,结果表明,在飞机掩体影像数据集上YOLOX模型表现更佳,平均精度可达97.7%,但水平框的检测结果无法获得飞机掩体的精确边界和朝向。为此,对YOLOX模型进行改进,提出针对不同朝向下的飞机掩体检测新方法R-YOLOX,实现对飞机掩体的旋转检测,旋转预测框更加贴合目标轮廓,采用KL 散度损失改进后的模型精度显著提升,准确率提升了7.24个百分点,对飞机掩体具有更好的检测效果。从水平框和旋转框这2个角度都能实现飞机掩体的准确检测,为高分辨率遥感影像中飞机掩体的准确识别提供了新思路。
遥感 目标检测 深度学习 遥感影像 旋转框 
激光与光电子学进展
2024, 61(4): 0428009
刘敏豪 1,2王堃 1,2金睿蛟 1,2卢天 2李璋 1,2,*
作者单位
摘要
1 国防科技大学 空天科学学院,湖南 长沙 410000
2 国防科技大学 图像测量与视觉导航湖南省重点实验室,湖南 长沙 410000
旋转目标检测是遥感图像处理领域中的重要任务,其存在的目标尺度变化大和目标方向任意等问题给自动目标检测带来了挑战。针对上述问题,提出了一种改进的RoI Transformer旋转目标检测框架:首先,利用RoI Transformer检测框架获取旋转的感兴趣区域特征(rotated region of interest, RRoI)用于鲁棒的几何特征提取;其次,在检测器中引入高分辨率网络(high-resolution network, HRNet)提取多分辨率特征图,在保持高分辨率特征同时适应目标的多尺度变化;最后,引入KLD(Kullback-Leibler divergence)损失,解决旋转目标表示的角度周期性的问题,提高检测方法对任意方向目标的适应性,并通过旋转目标边界框参数的联合优化提升目标定位精度。本文提出的旋转目标检测方法,即HRD-ROI Transformer (HRNet + KLD ROI Transformer),在DOTAv1.0和DIOR-R两个公开数据集上与典型的旋转目标检测方法进行了比较。结果显示:相比于传统的RoI Transformer检测框架,本文方法在DOTAv1.0和DIOR-R数据集上检测结果的mAP(mean-average-precision)分别提高了3.7%和4%。
旋转目标检测 RoI Transformer 高分辨率网络 遥感图像目标检测 oriented object detection RoI Transformer high-resolution network object detection of remote sensing image 
应用光学
2023, 44(5): 1010
作者单位
摘要
武汉工程大学智能机器人湖北省重点实验室, 武汉 430000
针对遥感地物图像具有背景复杂且种类众多的特点, 利用传统算法进行分割会导致边缘模糊、信息丢失及分割精度低的问题, 提出了一种基于改进DeepLabV3+网络的语义分割算法。首先, 在主干网络中引入改进后的特征提取网络CHRNet; 其次, 使用非下采样轮廓波变换(NSCT)算法重构空洞空间金字塔池化(ASPP)模块中的全局池化操作; 最后, 在模型编码和解码阶段添加无参数的注意力机制SimAM, 加强模块间的特征传递, 提高特征利用率。实验表明, 在PASCAL VOC2012和WHDLD数据集上, 改进算法的平均交并比(MIoU)分别达到了81.56%和64.2%, 较原有算法分别提升了约4.61和2.8个百分点, 改进算法在保证分割速率的同时, 提升了分割精度。
遥感图像 非下采样轮廓波变换 空洞空间金字塔池化 注意力机制 remote sensing image DeepLabV3+ DeepLabV3+ Non-Subsampled Contourlet Transform Atrous Spatial Pyramid Pooling attention mechanism 
电光与控制
2023, 30(11):
作者单位
摘要
东北林业大学信息与计算机工程学院, 哈尔滨 150000
遥感图像实时检测是遥感应用领域的关键技术问题之一, 针对目前主流的目标检测算法在图像处理器(GPU)上存在模型参数量大、实时性差、功耗大和成本高的问题, 提出一种基于现场可编程门阵列(FPGA)的遥感图像实时检测方案。首先, 为减少参数量、提高检测速度, 采用MobileNetv2作为特征提取网络, 融合深度可分离卷积, 使得模型轻量化便于部署; 接着,采用CA注意力模块提高检测精度;最后, 将模型浮点数参数量化为8位定点数, 并将量化后的网络模型在FPGA上完成部署。实验表明, 在遥感数据集VisDrone 2019上, 所提设计方案平均精度均值(mAP)达到14.79%, FPS达到46.78 帧/s, 平均功耗为8 W, 比CPU提高375.4%的检测速度, 比GPU降低96.8%的功耗。该方案可以满足实时目标检测的要求, 并且能够部署在功耗受限的卫星、无人机等设备上。
遥感图像 注意力机制 remote sensing image attention mechanism FPGA FPGA YOLOv4 YOLOv4 
电光与控制
2023, 30(12): 115
作者单位
摘要
1 天津城建大学 计算机与信息工程学院,天津300384
2 天津城建大学 地质与测绘学院,天津300384
针对高分辨率遥感影像中建筑物形状多样、大小不一引起建筑物提取精度低及传统分割模型存在参数量大等问题,提出一种基于编码-解码的轻型多尺度差异网络LMD-Net(Lightweight Multi-scale Difference Network)。首先,为了避免单一的特征处理单元堆叠使得模型性能弱化而产生无效参数,通过融合编解码结构的功能差异性,设计出一种轻型差异模型优化性能。其次,引入一种多尺度膨胀感知模块(Multi-Scale Dilation Perception,MSDP)来增强网络捕捉多尺度目标特征的能力。最后,通过双融合机制有效聚合深层跳跃连接和深层解码器两组的特征信息,从而实现增强解码器的特征恢复能力。为验证轻型多尺度差异网络LMD-Net的有效性和适用性,以开源WHU building dataset数据集作为数据源,对LMD-Net网络与常用语义分割网络及近年相关文献研究成果进行了精度、效率方面的评估实验。结果表明:LMD-Net网络在效率与精度两方面均表现出明显优势,不仅很大程度上减少模型的参数量和计算量,而且交并比、准确率分别提高了3.23%,2.57%。表明在基于高分辨率遥感影像建筑物提取领域中,该模型所表现的优势具有良好的城市空间信息库价值。
高分辨率遥感影像 多尺度 建筑物提取 编码-解码 轻型 high resolution remote sensing image multi-scale building extraction coding-decoding light weight 
光学 精密工程
2023, 31(22): 3371
作者单位
摘要
1 昆明理工大学机电工程学院,云南 昆明 650500
2 火箭军工程大学导弹工程学院,陕西 西安 710025
从遥感影像能够获取到精度高、范围广的地物信息,因而遥感影像在高空侦察和精确制导等领域得到广泛应用。针对遥感影像地物目标边缘模糊、尺度多变导致难以精准分割的问题,提出以深度残差网络为主干并结合注意力引导与多特征融合的分割方法,命名为AMSNet。首先,采用类别引导通道注意力模块提高模型对难分辨区域的敏感性;其次,嵌入特征复用模块减少遥感影像特征提取过程中边缘损失和小尺度目标丢失的问题;最后,设计跨区域特征融合模块以增强对多尺度特征信息的获取能力,并耦合多尺度损失融合模块对损失函数进行优化,综合提升模型对多尺度遥感影像目标的分割能力。选取3组遥感影像数据集进行对比实验,结果表明,AMSNet能够有效分割遥感影像地物目标边缘和多尺度目标。
遥感影像 语义分割 注意力机制 多尺度特征 
光学学报
2023, 43(24): 2428010

关于本站 Cookie 的使用提示

中国光学期刊网使用基于 cookie 的技术来更好地为您提供各项服务,点击此处了解我们的隐私策略。 如您需继续使用本网站,请您授权我们使用本地 cookie 来保存部分信息。
全站搜索
您最值得信赖的光电行业旗舰网络服务平台!