复杂背景下深度学习方法的夜光船舶目标检测

摘要：

文章针对传统阈值方法难以适用复杂背景下夜光船舶目标检测的问题,提出一种尺寸扩张注意力特征融合的Faster R-CNN方法(Size Expansion Attention Fusion Faster R-CNN,SEAFF).首先,在Faster R-CNN基础上加入图像尺寸扩张,提升夜光船舶目标空间特征;然后,在深层残差网络后加入注意力机制模块,从通道和空间维度上对夜光船舶目标特征筛选;最后,结合特征金字塔网络,弥补不同层次特征提取缺失现象.实验表明,图像尺寸扩张具有很强的不可替代性,特征金字塔特征融合在抑制夜光船舶目标检测漏检具有显著影响,注意力机制在降低虚警方面有一定影响,同时引入三部分使模型达到最优.此外,通过与主流目标检测模型SSD、YOLOv5、Faster R-CNN对比表明,分别提高11.4、7.1和5.6个百分点.SEAFF模型在复杂背景下船舶夜光目标检测中具有显著优势和潜力.

关键词：图像尺寸扩张、注意力机制、特征金字塔网络、夜光船舶、复杂背景、遥感应用

所属期刊栏目：43

分类号：TP753(遥感技术)

资助基金：国家重点研发计划;国家重点研发计划;国家自然科学基金;国家自然科学基金;江西省自然科学基金面上项目

在线出版日期：2022-07-13（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：124-137