随着技术的不断发展, 遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络 (MSFE-CNNs) 的遥感目标检测算法, 通过对不同卷积层特征进行增强和融合, 使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取, 获取不同类别目标的多尺度特征; 特征增强模块用于增强不同卷积层特征相关性, 强化模型的学习能力和特征之间的非线性关系; 自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性, 在DOTA数据集上进行不同方法对比, 实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。

针对ResUNet网络从遥感影像中提取小型和不规则建筑物时存在分割精度低和边界粗糙的问题，提出一种多尺度特征增强的残差U形网络ResUNet+。该网络以ResUNet网络结构为基础，在编码器内添加特征压缩激活模块以提升网络对有效特征的学习能力，在编码网络的最后一层使用空洞空间金字塔池化模块来获取不同尺度的建筑物上下文信息。在两个广泛公开使用的WHU航空图像数据集和INRIA建筑数据集上进行实验，并将其与SE-UNet、DeepLabv3+、DenseASPP和ResUNet语义分割网络进行对比。实验结果表明，ResUNet+在精确率、召回率和F₁分数3项精度指标中均表现最优，对测试影像中大小各异和形状不规则的建筑物具有更精确的分割结果。