基于特征增强的遥感图像极端目标检测算法

摘要

目标检测是分析与处理遥感图像的基本任务之一，其目的在于识别遥感图像中物体的类别和位置信息.极端目标是指图像中拥有极小尺度和极大长宽比的物体，这些物体在遥感图像中广泛存在且难以被现有的目标检测算法检测，如何检测这些物体是一项有挑战性的任务.针对这一问题，本文提出一种基于特征增强的极端目标检测网络(FEEODNet).该网络包含一个双分支融合网络，一个分支利用浅层特征提取细节信息用于检测小目标，另一分支利用深层特征提取语义信息用于检测大目标.两分支融合后，通过注意力机制模块增强特征，从而提升目标检测性能.此外，为了提取目标的全局信息，本文对语义信息特征图通过串联的非对称卷积块生成不同形状的感受野，以适应极端目标的多样性和复杂性，并利用多尺度最大池化算法筛选热图中的关键点，从而更准确地确定不同尺度目标的中心点.最后，在NWPU VHR-10和RSOD数据集上进行测试，结果表明，本文提出的方法在两个数据集上的mAP分别为96.92%和96.43%,优于目前主流的目标检测算法，说明本文所提方法能有效检测遥感图像中的极端目标.

关键词

遥感图像 / 目标检测算法 / 特征增强 / 多尺度池化算法 / 极端长宽比目标

基金资助

国家自然科学基金项目(62072024,12301581); 北京市教委科研计划项目(KM202210016002)