1 国防科技大学空天科学学院，湖南 长沙 410000
2 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解译的重要任务之一，存在目标方向任意、小目标密集排列、目标表示引起的角度周期性等典型问题。针对上述问题，提出一种基于DEtection Transformer（DETR）目标检测器和改进去噪训练的旋转目标检测方法，即arbitrary-oriented object detection Transformer with improved deNoising anchor boxes（AO2DINO）。首先，该方法引入一种多尺度旋转可变形注意力模块，将角度信息以旋转矩阵的形式引入注意力权重的计算，提高了模型对旋转目标的适应能力。其次，针对小目标密集排列问题，提出一种自适应的样本分配器，引入旋转交并比和自适应阈值，实现对密集目标更加精确的采样，提升了模型对小目标的检测能力。最后，在模型中引入基于卡尔曼滤波的交并比（KFIoU）作为回归损失，以解决旋转目标表示引起的角度周期性问题。AO2DINO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，在DETR系列旋转目标检测方法中检测精度最高，且训练时收敛速度更快，在训练12个epochs时就几乎达到了其他旋转目标检测方法训练36个epochs时的检测效果。
旋转目标检测 DETR目标检测器 多尺度旋转可变形注意力 激光与光电子学进展
2024, 61(2): 0211023
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
1 北京信息科技大学仪器科学与光电工程学院，北京 100101
2 北京信息科技大学光电测试技术及仪器教育部重点实验室，北京 100101
3 北京信息科技大学信息与通信系统信息产业部重点实验室，北京 100101
随着遥感图像分辨率的不断提高，遥感图像目标检测技术获得了更广泛的关注。针对遥感图像中背景复杂噪声多、目标方向任意且目标尺寸变化大等问题，提出一种基于多层级局部自注意力增强的遥感目标检测算法。首先，在Oriented R-CNN骨干网络中引入Swin Transformer特征提取模块，使用具有移位窗口操作和层次设计的Transformer模块对特征提取的语义信息进行多层级局部信息建模。其次，使用Oriented RPN生成高质量的有向候选框。最后，将高斯分布之间的Kullback-Leibler divergence（KLD）作为回归损失函数，使得参数梯度能够根据对象的特征得到动态调整，更加准确地进行检测框的回归。所提算法在DOTA数据集和HRSC2016数据集上的平均精度均值（mAP）分别达77.2%和90.6%，和Oriented R-CNN算法相比，mAP分别提高了1.8个百分点和0.5个百分点。实验结果表明，所提算法能够有效地提高遥感图像目标检测精度。
旋转目标检测 遥感图像 Swin Transformer 高斯距离 激光与光电子学进展
2023, 60(20): 2028004
1 北京信息科技大学现代测控技术教育部重点实验室，北京 100089
2 北京信息科技大学机电工程学院，北京 100089
针对高分辨率遥感图像具有物体尺度差异大、小目标排列密集且方向性强的问题，提出一种基于多尺度特征提取的旋转遥感目标检测算法。选用CenterNet作为基准模型，对其进行重新设计。首先，为增强上下文信息提取能力，结合多尺度空洞卷积提出并使用感受野扩展模块；其次，结合自适应特征融合，增强算法对多尺度目标的提取能力；最后，重新设计CenterNet检测头并更新损失函数，增强模型对旋转物体的检测性能。设计的模型命名为CenterNet for remote sensing images（CenterNet-RS）。在DOTA数据集上进行实验，CenterNet-RS的平均精度均值（mAP）达73.01%，相较于基准模型，提高了9.45个百分点。实验结果表明，设计的方法可有效提高算法检测遥感图像目标的精度。
遥感图像 旋转目标检测 多尺度 卷积神经网络 特征融合 激光与光电子学进展
2023, 60(12): 1228010
中国民航大学计算机科学与技术学院，天津 300300
飞机蒙皮作为航空器的重要部件，直接影响到飞行安全，故飞机蒙皮损伤检测对于有效预防航空安全事故具有重要意义，基于边界框边缘感知向量（BBAVectors）提出一种改进的旋转目标检测方法。首先针对损伤尺度变化大的问题，采用特征融合网络（FFN）提升多尺度检测效果；其次针对飞机蒙皮图片存在大量背景噪声的问题，引入coordinate attention（CA）机制来增强目标特征信息；最后针对蒙皮损伤分布方向任意的问题，通过BBAVectors表示任意角度的损伤位置，以提升目标定位的准确性。实验结果表明，改进的旋转目标检测方法相比原模型检测精度提升了5.7个百分点，并且检测精度高于主流的水平目标检测方法，在有效解决方向任意的飞机蒙皮损伤检测效果的基础上，为航空器损伤检测方法的提升提供更好的技术支持。
图像处理 旋转目标检测 飞机蒙皮损伤检测 特征融合 注意力机制 激光与光电子学进展
2023, 60(10): 1010025
针对光学遥感图像目标检测中存在的精度低及忽略目标方向性的问题，提出了一种基于改进YOLOv5m的遥感图像旋转目标检测算法。首先，融合注意力机制模块提升模型对重要特征的提取能力；其次，在特征融合模块部分考虑各节点特征融合的贡献度，并增加同一特征尺度的跳跃连接；最后，针对旋转检测中存在的角度边界问题，使用密集编码标签对角度进行离散化处理。实验结果表明，所提算法在DOTA数据集子集上的检测精度达到了82.75%，在小幅降低模型计算量的情况下，较原有YOLOv5m提升了11.73个百分点，同时在HRSC2016舰船数据集上也取得了88.89% 的检测精度。即该算法能有效提升光学遥感图像旋转检测的精度。
机器视觉 遥感图像 注意力机制 旋转目标检测 密集编码标签 YOLO 激光与光电子学进展
2022, 59(24): 2415005
1 空军工程大学航空科学与工程学院，陕西 西安 710038
2 西北工业大学无人系统技术研究院，陕西 西安 710072
3 西安邮电大学网络空间安全学院，陕西 西安 710121
针对遥感图像中目标尺度差异较大和方向分布随机等导致检测精度较低的问题，提出一种基于稀疏掩模Transformer的遥感目标检测方法。该方法以Transformer网络为基础，首先引入角度参量，使其适应遥感目标的旋转特性；其次在特征提取部分以多层级特征金字塔为输入，以应对遥感图像目标尺寸变化大的特点，提高对不同尺度目标的检测效果，尤其对小目标的检测效果提升明显；最后以稀疏-插值注意力模块代替自注意力模块，有效缓解了Transformer网络检测高分辨遥感图像时计算量大的缺陷，并且加快了网络的收敛速度。在大型遥感数据集DOTA上的实验结果表明，所提方法的平均检测精度为78.43%，检测速度为12.5 frame/s，与基准方法相比，平均精度均值（mAP）提高了3.07个百分点，证明了所提方法的有效性。
Transformer 旋转目标检测 自注意力 稀疏掩模 激光与光电子学进展
2022, 59(22): 2228005
1 西北工业大学无人系统技术研究院，陕西 西安 710072
2 空军工程大学航空工程学院，陕西 西安 710038
针对遥感图像目标广邻域稀疏、多邻域聚集、方向多样等特性导致检测难度大的问题，提出了一种基于稀疏Transformer的遥感旋转目标检测方法。首先，所提方法在典型端到端Transformer网络的基础上，根据遥感图像的特性，利用K-means算法实现多域聚集，从而更好提取稀疏域下的目标特征；其次，为适配旋转目标的基本属性，在边框生成阶段，利用目标包围框的中心点及边框特征学习的策略高效获取目标回归斜边框；最后，为提升网络对遥感目标的检测率，对网络的损失函数进行了优化。在DOTA和UCAS-AOD遥感数据集上的实验结果表明，所提方法的平均精度分别为72.87%和90.4%，能很好地适应遥感图像中各类旋转目标的形状与分布特性。
图像处理 遥感图像 旋转目标检测 稀疏Transformer K-means 激光与光电子学进展
2022, 59(18): 1810003
