论文部分内容阅读
高分遥感影像具有亚米级的空间分辨率,能够精细的反映地理空间信息,因此在地物识别任务中具有较大优势,被广泛的应用于地质灾害监测、国防军事、地理信息系统更新、城市规划和智能交通等领域。遥感影像目标检测是众多应用领域的首要任务,并且检测结果的精度直接影响了应用领域的成果质量。因此,提升遥感影像的检测精度具有重要意义。近年来以卷积神经网络为代表的深度学习智能化目标检测技术取得了较大的发展,并且在自然场景图像数据集上达到较高的检测精度,但是在具有复杂背景干扰、目标分布密集、目标角度多变等特点的遥感影像上的检测精度并不理想。因此,本文从遥感影像目标检测所面对的难点问题出发,在FCOS目标检测模型的基础上进行改进,以提升遥感影像目标的检测精度。具体的工作及研究成果如下:（1）针对遥感影像背景复杂、目标分布密集等问题,基于FCOS网络提出了结合高效注意力网络的检测模型EA-FCOS:首先,从注意力机制的角度出发,设计了一种高效的注意力模块EA,并基于此模块搭建了高效注意力网络EA-Net用于提取影像特征,增强目标区域信息并弱化背景信息;接着,在后处理阶段引入柔性非极大值抑制算法,通过对非极大值预测框添加衰减因子来降低密集目标预测框被误删的概率;最后,引入距离交并比损失进行训练,通过优化目标框与预测框之间的距离来保证回归过程的准确性。实验结果表明,EA-FCOS相较于原始FCOS,算法的平均精确度均值提高了4.9%,达到68.2%,优于其它5种对比算法。（2）针对水平边界框检测模型无法适用于多角度遥感目标以及外界噪声干扰的问题,提出了旋转目标检测模型MSR-FCOS:首先,在预测网络中添加角度预测分支,并结合GWD损失进行回归训练,实现了任意方向目标的预测;然后,针对外界噪声干扰的问题,设计了多级监督网络MSN,利用数据集标注信息来指导模型学习目标边界信息,提升目标检测的效果。实验结果表明,MSR-FCOS模型的平均精确度均值达到72.4%,领先于其它4种对比算法。