融合多元稀疏特征与阶层深度特征的遥感影像目标检测
遥感影像目标检测在城市规划、自然资源调查、国土测绘、军事侦察等领域有着广泛的应用价值.针对遥感影像目标检测在目标尺度变化大、目标外观相似性高以及背景复杂度高等方面的难点,本文提出了一种新的目标检测算法,该算法有效融合了多元稀疏特征提取模块(MNB)和阶层深度特征融合模块(HDFB).多元稀疏特征提取模块以多个卷积分支结构来模拟神经元的多个突触结构提取稀疏分布的特征,随着网络层的堆叠获取更大感受野范围内的稀疏特征,从而提高捕获的多尺度目标特征的质量.阶层深度特征融合模块基于空洞卷积提取不同深度的上下文信息特征,然后提取特征通过独创的树状融合网络,从而实现局部特征与全局特征在特征图级别的融合.本文算法在大规模公开数据集DIOR进行验证,实验结果表明:①多元稀疏特征提取模块和阶层深度特征融合模块相结合的方法总体准确率达到72.5％,单张遥感影像的平均检测耗时为3.8毫秒;②通过使用多元稀疏特征提取模块,多尺度和外观相似性目标的检测精度得到了提高,与使用Step-wise分支的物体检测结果相比,总体精度提高了 5.8％;③通过阶层深度特征融合模块的多感受野深度特征融合网络提取阶层深度特征,并为实现局部特征与全局特征在特征图级别的融合提供了一种新的思路,提高了网络对上下文信息的获取能力;④重构PA-Net特征融合网络,以多元稀疏特征提取模块对不同尺度的稀疏特征进行融合,有效提高了 PANet结构在遥感影像目标检测任务中的有效性.许多因素深刻影响着算法的最终表现:一方面高质量数据集是更高精度的基础,如图像质量、目标遮挡、目标的类内差异性大等深刻影响着检测器的训练效果;另一方面算法模型参数设置,如对数据集进行聚类分析得到候选框以提高最佳召回率,保证阶层深度特征融合模块的感受野范围覆盖特征图是确保精度的关键.我们得出结论:使用多元稀疏特征提取网络可以提高特征质量,而阶层深度特征融合模块可以融合上下文信息,减少复杂背景噪声的影响,从而在遥感影像的目标检测任务中获得更好的性能.
遥感影像、卷积神经网络、稀疏特征、阶层深度特征、空洞卷积、多分支结构、感受野、多尺度目标
25
TP391.41;TH17;TN911.73
国家自然科学基金;国家自然科学基金
2023-07-10（万方平台首次上网日期，不代表论文的发表时间）
共16页
638-653
