基于显著性引导增强与改进Faster-RCNN的遥感图像目标检测方法

摘要

目标检测作为遥感图像处理领域的关键任务之一，一直是遥感图像处理的研究热点。尽管深度学习方法在此领域取得了显著进展，但在应对遥感图像的尺度变化和复杂背景时，仍面临着不小的挑战，这在一定程度上限制了检测精度的进一步提升。为了解决这个问题，提出了一种创新的遥感图像目标检测方法，该方法融合了显著性引导的图像自适应融合模块，并对Faster-RCNN进行改进，提升目标检测的准确性。首先，在图像预处理阶段提出了一个基于显著性引导的图像自适应融合模块，有效地集成了图像的语义信息和浅层细粒度的细节，使模型能够优先考虑对象区域，同时最大限度地减少背景干扰。其次，在引入MobileNetV3作为Faster-RCNN的特征提取器后，提出了一个注意力增强特征金字塔网络，将注意力与上采样结合起来，进一步增强了目标特征并输出高质量的特征图，从而有效提升了多维特征的提取效果，为后续的目标检测任务提供了更为精准和丰富的特征信息。再次，设计了一个多尺度区域建议网络，这种设计能够更准确地捕获不同大小和形状对象的特征，进而增强特征的表达能力，有效提升目标的检测精度。最后，在DIOR和ROSD数据集上进行实验验证，所提出的网络模型相较于其他先进方法展现出了更高的检测精度，充分证明了其优越性和有效性。

关键词

显著性引导图像 / 自适应融合 / 注意力增强特征 / 金字塔网络 / 改进Faster-RCNN / 遥感图像 / 目标检测