基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

基于注意力和特征融合的遥感图像目标检测模型

针对环境背景复杂且包含小目标的遥感图像难以进行精准目标检测的问题,在单阶段检测(SSD)模型的基础上,提出了一种基于注意力和特征融合的单阶段目标检测模型,该模型主要由检测分支和注意力分支组成.首先,在检测分支SSD中加入注意力分支,注意力分支的全卷积网络通过逐像素回归得到待检测目标的位置特征;其次,采用对应元素相加的方...     

基于自适应特征增强的小目标检测网络

由于尺寸有限、外观和几何线索较少以及缺少大规模小目标数据集,从图像中检测小目标仍然是计算机视觉领域中一个具有挑战性的难题。针对这个问题,提出一种自适应特征增强的目标检测网络（YOLO-AFENet）来改善小目标的检测精度。首先,通过引入特征融合因子,设计改进的自适应双向特征融合模块,充分利用各个尺度的特征图,提高网络的特征表达能力;其次,结合网络自身的特点,提出空间注意力生成模块,通过学习图像中感兴趣区域的位置信息以提高网络的特征定位能力。在UAVDT数据集上实验结果表明：所提YOLO-AFENet的平均精度（AP）比改进前的YOLOv5提高了6.3个百分点,同时也优于其他目标检测网络。     

基于能量特征的图像目标检测

根据被测图像纹理背景和目标区域在小波变换域 在小波变换域内图像能量分布的不同,以及经过多尺度分解后在各子空间信息分布的不同,提出与背景纹理的方向无关,把目标的变化具有旋转、平称我以及尺度不变性的能量特征作为检测的依据。实验证明该方法具有较好的适应性。     

基于分形特征的目标检测算法概述及仿真

对目前比较常用的基于分形特征的目标检测算法进行了概述,并给出了相应的仿真结果.从仿真结果我们看出基于多尺度分形参数的目标检测算法是一种比较精确的算法,但是计算量太大.从计算量和精确度双方面考虑快速的基于分维数和分形拟合误差的目标检测算法是一种不错的算法.     

基于深度学习的深层次多尺度特征融合目标检测算法

基于对SSD(Single Shot MultiBox Detector)目标检测算法的分析,提出了一种基于深度学习的深层次多尺度特征融合目标检测(DMSFFD)算法.首先将SSD的特征层与相邻特征层进行融合,在融合之后的特征图中加入尺寸为3 pixel X 3 pixel的卷积层,以减小上采样的混叠效应.之后进行更深...     

联合特征增强和锚点自动生成的遥感图像高精度目标检测

目标检测是遥感图像处理领域中一项重要而具有挑战性的任务,针对遥感图像中目标尺度差异较大以及方向分布随机等导致的遥感图像多尺度目标检测精度较低问题,本文提出一种基于特征增强和锚点框自动生成模块的目标检测方法。该方法在ResNet50网络中加入可操控的空洞卷积模块,并以此为基础设计了增强特征金字塔网络,提高网络对于目标多尺度特征表达能力。在区域建议网络中利用锚点框自动生成模块自主学习锚点框的位置和形状,以此获得更为稀疏和高质量的候选区域。本文在NWPU VHR-10数据集和飞机目标数据集上与多种基于卷积神经网络的目标检测算法进行对比实验,结果表明,本文所提方法在两个数据集上的mAP均为最优,分别为99.2%和87.7%,该方法具有较强的尺度自适应能力,有效的提高了遥感图像多尺度目标检测的精度。      

一种新的分形特征方法及其在目标检测中的应用

文中提出了一种新的求解分形维数的方法,并利用目标分形特征和背景相比突变较大的特点把这种方法用到了目标检测当中,实验结果表明该方法简单易行、检测结果精确.     

基于二进制稳健独立基元特征的扩展目标快速检测

在某些扩展目标光电成像中,目标图像缺少局部细节,因此采用复杂的特征检测算法和高维特征描述符,但这种方法不仅存在特征描述区分度弱的问题,而且还存在资源占用多、运算速度慢以及难以实现实时处理的缺点。主解决此问题提出了用加速分段测试提取特征(FAST)检测算法进行角点检测,用二进制稳健独立基元特征（BRIEF）描述符进行目标特征描述的新方法。同时,针对BRIEF描述符缺少方向判别,对目标姿态变化敏感的问题,提出了主方向约束机制,有效地提高了特征点识别的稳定性。将本方法与加速稳健性特征(SURF)和尺度恒定特征变化(SIFT)两种应用广泛的算法进行了比较,结果表明,本方法的运算速度分别达到了SURF的5倍和SIFT的17倍,且识别率与SURF相当,能在不降低特征识别率的基础上,实现目标的快速检测和稳定跟踪。     

一种基于多尺度特征融合的目标检测算法

基于深度学习的目标检测器RetinaNet和Libra RetinaNet均是使用特征金字塔网络融合多尺度特征,但上述两个检测器存在特征融合不充分的问题.鉴于此,提出一种多尺度特征融合算法.该算法是在Libra RetinaNet的基础上进一步扩展,通过建立两条自底向上的路径构建两个独立的特征融合模块,并将两个模块产生...     

基于分形特征融合的目标边缘检测算法

针对复杂背景下目标边缘检测问题,研究了分形在目标检测中的应用,提出了基于分形特征融合的目标边缘检测算法。首先求取图像的分形维数和几何度量空间变换率,然后运用Dempster-Shafer证据理论对分形维数和几何度量空间变换率进行融合处理,对图像像素分类,从而得到目标边缘,最后细化边缘得到目标检测结果。实验表明,该算法能够克服复杂背景的干扰,有效地提取目标边缘。     

基于背景抑制和特征点检测的目标检测算法

空域远距离红外目标探测系统中,飞行目标多表现为点状或面状的小目标,像素数少,且常伴有低空地面物体的干扰.根据空域和地面在梯度变化上的不同和目标本身的特性,提出了一种基于地面背景抑制和特征点检测的红外空中目标检测算法.分析了地面和空域在梯度变化上的特点,根据梯度变化大的像素的整体统计信息划分了空域和地面在图像中的分布,再通过特征点检测实现了候选红外飞行目标的检测.该算法适用于纯空域和低空背景,经过对实际采集的大量红外图像的仿真表明,本文提出的算法具有很强的实用性和鲁棒性.     

基于深度学习的光学遥感图像目标检测方法综述

面向光学遥感图像的目标检测已经有较长时间的发展历史,近年来由于深度学习的发展而成为遥感领域的一个研究热点。目标检测的基础环节之一是图像特征提取,它对最终的检测效果有关键影响。早期目标检测器主要通过手动设计特征提取方法获得图像特征,往往较为复杂且难以提取图像的高层次特征。得益于深度学习技术的发展,目前目标检测器已经能够实现自动特征提取,取得了比传统方法更好的检测性能。对基于深度学习的光学遥感图像目标检测方法进行了总结和归纳:首先,回顾目标检测的发展历史;然后,介绍当前广泛使用的数据集;其次,将现有基于深度学习的光学遥感图像目标检测方法分为4类,并进行分析比较,包括基于人工提取候选区域的方法、基于候选区域生成网络的方法、基于回归的方法和其他方法;最后,分析现有光学遥感图像目标检测研究存在的问题,并对未来发展趋势进行了展望。     

基于单次双向特征金字塔网络的目标检测模型

目标检测是计算机视觉领域的重点研究方向,SSD模型虽然在检测精度与速度上均取得较好的效果,但其利用低语义信息的浅层特征训练小目标,容易出现小目标漏检和误检现象。对此,提出了一种基于单次双向特征金字塔网络的改进SSD目标检测模型（OBSSD）。首先基于分层融合的思想构建双向特征融合模块来解决浅层特征利用不足的问题;其次引入融合权重来更加有效地融合不同层级的特征,改善浅层特征语义信息低的问题;最后在分类和回归预测前加入基于残差模块的检测单元,解决因分类网络偏向平移不变性导致的目标定位不准确问题。在PASCAL VOC2007测试集上的实验结果表明：所提模型的平均精确度（mAP）为80.8%,较SSD模型提高6.5个百分点,且检测速度满足实时检测的需求。     

基于特征的SAR遥感图像港口检测方法

遥感图像中港口检测是遥感海洋应用研究的重要方面。快速、准确地检测港口将大大提高遥感图像的自动解译能力。该文通过研究港口目标配置,从港口功能特征出发建立了港口特征模型,并在此基础上提出了一种基于特征的遥感图像港口检测方法。首先根据港口的几何特征、拓扑特征完成港口突堤的提取与筛选,然后根据港口的上下文特征、几何特征,选择突堤特征点并计算特征点间岸线封闭性,最后根据封闭性准则完成港口检测。实验结果表明,相对于已有的港口检测方法,新方法具有港口检测正确、轮廓完整、检测率高、运算速度快等特点。     

基于特征显著性融合的红外小目标检测

复杂背景下的红外图像通常存在信噪比低、邻近像素灰度变化不明显以及易被杂波信号和噪声干扰的特点,导致红外小目标检测困难。为解决上述问题,提出一种基于特征显著性融合的红外小目标检测算法。首先,在空间域中利用目标与其局部背景灰度差异来计算得到灰度显著图,在频域中结合谱残差计算得到背景抑制后的频域显著图;其次,将灰度显著图和频域显著图归一化后通过哈达玛乘积相互融合;最后,通过自适应阈值分割并使用Unger滤波器剔除较小的噪声点,从而提取出目标区域。实验结果表明,所提算法对图像的信噪比有了数十倍的提升,对背景抑制效果显著,并有着检测率高和虚警率低的优点,是一种有效的小目标检测算法。