联合多尺度特征和注意力机制的遥感影像飞机目标检测

发布时间：2024-03-31 08:31

　　针对遥感影像飞机目标尺寸小、特征不明显的问题,在YOLO V4的基础上,提出一种联合多尺度特征和注意力机制的遥感影像飞机目标检测方法。该方法扩大了特征融合时尺度的范围,增强了对低层特征和小目标信息的提取。通过引入注意力机制进行特征融合,为每个通道的特征赋予不同权重,学习不同通道间特征的相关性。在RSOD-Dataset数据集上进行对比实验,实验结果表明该方法与相关算法相比,具有更高的检测精度。

【文章页数】：6 页

【部分图文】：

图1改进后的多尺度特征融合网络

在卷积过程中,提取的特征逐渐抽象,一些小目标的特征信息容易丢失,包含的目标位置信息越来越少,当飞机目标尺寸小于13×13时,可能会造成网络的漏检。因此,本文对多尺度特征提取网络进行了改进,如图1所示。在FPN中首先使用主干网络输出的104×104特征图,将其两倍下采样与52×52....

图2注意力机制模块

基于深度学习的目标检测的注意力机制实质上是给不同的像素赋予不同的权重,使得获取的特征图包含更多的有效信息[17]。这里通过引入SENet[18]中的Squeeze-and-ExcitationBlock,将注意力机制加入到特征融合的过程中,在通道维度上给每个像素分配合适的权重。....

图3M-YOLOV4网络结构图

本文以YOLOV4为基础,在改进的多尺度特征提取网络后增加注意力机制,得到M-YOLOV4,用于遥感影像飞机目标检测,网络结构如图3所示。图3中左边的虚线框是对多尺度特征提取网络的改进,右边的虚线框表示网络中增加的注意力机制。2实验与分析

图4部分数据样本

使用的遥感影像飞机目标数据来自武汉大学的RSOD-Dataset[19],共446张图片,包含4993个实例,部分数据样本如图4所示。从图4(a)中可以看出,遥感影像中飞机目标尺寸小且排列密集;图4(b)反映出目标尺寸差异较大;图4(c)背景复杂,影像中含有其他目标,并且与飞机....

本文编号：3943733