联合双重注意力机制和双向特征金字塔的遥感影像小目标检测

作     者：李科文 朱光磊 王辉 祝锐 狄兮尧 张天健 薛朝辉 LI Kewen;ZHU Guanglei;WANG Hui;ZHU Rui;DI Xiyao;ZHANG Tianjian;XUE Zhaohui

作者机构：国家能源集团谏壁发电厂镇江212006 黄河勘测规划设计研究院有限公司郑州450003 河海大学地球科学与工程学院南京211100 河海大学江苏省水资源环境遥感监测评估工程研究中心南京211100 

基　　金：国家自然科学基金(编号:41971279,42271324) 江苏省自然科学基金(编号:BK20221506) 

出 版 物：《遥感学报》 (NATIONAL REMOTE SENSING BULLETIN)

年 卷 期：2024年第28卷第12期

页      码：3231-3248页

摘      要：遥感影像由于成像特点和空间分辨率的制约,导致小目标特征提取难度增加,因此遥感影像小目标检测具有较大挑战。现有深度学习目标检测网络架构多基于自然图像而构建,在顾及遥感影像小目标特殊性方面的研究和探索存在不足。为此,本文提出了联合双重注意力机制和双向特征金字塔的遥感影像小目标检测算法。主要创新工作体现在:(1)针对遥感影像中待检测物体所占比例较小导致其特征信息不易提取以及网络参数量大等问题,基于YOLOv3网络模型,引入LKGNet主干网络和GIoU损失函数,提出LKGNet-YOLO网络;(2)针对网络特征提取过程中容易受噪声信息干扰以及网络多层信息融合能力不足的问题,基于YOLOv3网络模型,引入DA-LKGNet主干网络和加权双向特征金字塔结构,提出DA-LKGNet-YOLO网络。为了验证所提方法的在遥感影像小目标检测领域中的有效性,采用2014年中国科学院大学发布的UCAS-AOD v1.0(UA)数据集和2021年武汉大学发布的AI-TOD数据集进行实验。结果表明:本文方法在UA数据集上0.5阈值的均值平均精度mAP_(0.5)为96.21%,在AI-TOD上0.5—0.95阈值的均值平均精度mAP_(0.5—0.95)为9.51%,显著优于YOLOv3、RFBNet、SSD、FSSD、RetinaNet、RefineDet等模型,mAP精度分别高出约3.45%—7.52%、1.36%—4.84%。同时,在小尺度目标上的检测水平优于Faster-RCNN和YOLOv7算法。与原始YOLOv3网络相比,本方法在浮点运算次数上降低了48%,参数量减少了42%。上述实验结果证实了本文提出方法的有效性。

主 题 词：遥感影像 小目标检测 深度学习 YOLOv3 注意力 特征金字塔 

学科分类：07[理学] 08[工学] 09[农学] 083002[083002] 0830[工学-生物工程类] 070801[070801] 0708[理学-地球物理学类] 0804[工学-材料学] 0903[农学-动物生产类] 0816[工学-纺织类] 081602[081602] 081102[081102] 0811[工学-水利类] 

核心收录：

D　O　I：10.11834/jrs.20243043

馆 藏 号：203157119...