基于距离约束的改进FCOS遥感图像检测方法

摘要：

基于深度学习的遥感图像目标检测方法通常难以排除复杂场景下的背景干扰,从而导致检测精度低.为解决该问题,设计了一种基于尺度分层的特征金字塔结构,并提出了一种基于距离约束的中心回归(distance-constraints centerness,DCCN),从而形成了基于距离约束的改进FCOS遥感图像检测方法.基于尺度分层的特征金字塔结构包括高层语义信息激活模块和低层有效特征感知模块,其中高层语义信息模块重构了特征融合阶段对高层特征图的处理方式,提升了特征金字塔顶部区域的语义感知能力,低层有效特征感知模块通过引入通道注意力机制,增强了通道间的信息交互能力.DCCN能够利用预测样本框与真实样本框之间的距离因素作为回归评估条件,提升了预测框的回归效果.在NWPU VHR-10数据集的实验中,该方法的精度达到92.6％,相比于原FCOS方法提升了4.9个百分点,有效改善了遥感图像检测的精度.

关键词：遥感图像、目标检测、中心回归、注意力机制

所属期刊栏目：59

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;中国博士后科学基金;合肥综合性国家科学中心能源研究院项目;安徽省重点研究与开发计划项目

在线出版日期：2023-05-30（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：227-235