-
题名融合注意力和上下文信息的遥感图像小目标检测算法
- 1
-
-
作者
刘赏
周煜炜
代娆
董林芳
刘猛
-
机构
天津财经大学理工学院
河北省水文工程地质勘查院(河北省遥感中心)
-
出处
《计算机应用》
北大核心
2025年第1期292-300,共9页
-
基金
河北省财政项目(13000023P00F2D410374D)
天津市科技计划项目(22ZLZKZF00480)。
-
文摘
对多尺度的遥感图像进行小目标检测时,基于深度学习的目标检测算法容易出现误检和漏检的情况。这是因为此类算法的特征提取模块进行了多次的下采样操作;而且未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题,提出一种融合注意力和上下文信息的遥感图像小目标检测算法ACM-YOLO(Attention-Context-Multiscale YOLO)。首先,应用细粒度的查询感知稀疏注意力以减少小目标特征信息的丢失,从而避免漏检;其次,设计局部上下文增强(LCE)函数以更好地关注不同类别的遥感目标所需的上下文信息,从而避免误检;最后,使用加权双向特征金字塔网络(BiFPN)强化特征融合模块对遥感图像小目标的多尺度特征融合能力,从而改善算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验,以验证所提算法的有效性和泛化性。实验结果表明,在2个数据集上所提算法的平均精确率均值(mAP)分别达到了77.33%和96.12%,而相较于YOLOv5算法,召回率分别提升了10.00和7.50个百分点。可见,所提算法能有效提升mAP和召回率,减少误检和漏检。
-
关键词
遥感图像
小目标检测
稀疏采样
局部上下文信息增强
多尺度特征融合
-
Keywords
remote sensing image
small target detection
sparse sampling
local contextual information enhancement
multi-scale feature fusion
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
