融合注意力和上下文信息的遥感图像小目标检测算法

作     者：刘赏 周煜炜 代娆 董林芳 刘猛 LIU Shang;ZHOU Yuwei;DAI Rao;DONG Linfang;LIU Meng

作者机构：天津财经大学理工学院天津300222 河北省水文工程地质勘查院(河北省遥感中心)石家庄050021 

基　　金：河北省财政项目(13000023P00F2D410374D) 天津市科技计划项目(22ZLZKZF00480) 

出 版 物：《计算机应用》 (journal of Computer Applications)

年 卷 期：2025年第45卷第1期

页      码：292-300页

摘      要：对多尺度的遥感图像进行小目标检测时,基于深度学习的目标检测算法容易出现误检和漏检的情况。这是因为此类算法的特征提取模块进行了多次的下采样操作;而且未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题,提出一种融合注意力和上下文信息的遥感图像小目标检测算法ACM-YOLO(Attention-Context-Multiscale YOLO)。首先,应用细粒度的查询感知稀疏注意力以减少小目标特征信息的丢失,从而避免漏检;其次,设计局部上下文增强(LCE)函数以更好地关注不同类别的遥感目标所需的上下文信息,从而避免误检;最后,使用加权双向特征金字塔网络(BiFPN)强化特征融合模块对遥感图像小目标的多尺度特征融合能力,从而改善算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验,以验证所提算法的有效性和泛化性。实验结果表明,在2个数据集上所提算法的平均精确率均值(mAP)分别达到了77.33%和96.12%,而相较于YOLOv5算法,召回率分别提升了10.00和7.50个百分点。可见,所提算法能有效提升mAP和召回率,减少误检和漏检。

主 题 词：遥感图像 小目标检测 稀疏采样 局部上下文信息增强 多尺度特征融合 

学科分类：0810[工学-土木类] 08[工学] 081002[081002] 

D　O　I：10.11772/j.issn.1001-9081.2024010125

馆 藏 号：203156934...