《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 設(shè)計(jì)應(yīng)用 > 注意力特征融合SSD算法對(duì)遙感圖像的目標(biāo)檢測(cè)
注意力特征融合SSD算法對(duì)遙感圖像的目標(biāo)檢測(cè)
網(wǎng)絡(luò)安全與數(shù)據(jù)治理 3期
尹法林，王天一
(貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽(yáng)550025)
摘要： 針對(duì)多尺度單發(fā)射擊檢測(cè)(Single Shot MultiBox Detector，SSD)算法對(duì)小目標(biāo)物體檢測(cè)效果不佳的問題，提出注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法。首先，為了提升網(wǎng)絡(luò)對(duì)小目標(biāo)物體的檢測(cè)性能，使用注意力特征融合模塊對(duì)淺層特征圖中的特征信息融合，在降低噪聲的同時(shí)增強(qiáng)特征圖中遠(yuǎn)距離像素的相關(guān)性；其次，針對(duì)訓(xùn)練過程中正負(fù)樣本失衡導(dǎo)致的模型退化問題，結(jié)合聚焦分類損失函數(shù)對(duì)SSD算法中的損失函數(shù)優(yōu)化;最后，引入遷移學(xué)習(xí)解決因訓(xùn)練數(shù)據(jù)較少導(dǎo)致的過擬合問題。實(shí)驗(yàn)結(jié)果表明，與SSD算法相比，AFF-SSD算法平均準(zhǔn)確率均值提高8.09%，經(jīng)過遷移學(xué)習(xí)后，AFF-SSD算法平均準(zhǔn)確率均值提高3.47%。
中圖分類號(hào)： TP389
文獻(xiàn)標(biāo)識(shí)碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.03.011
引用格式： 尹法林，王天一. 注意力特征融合SSD算法對(duì)遙感圖像的目標(biāo)檢測(cè)[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2022，41(3)：67-73.
Target detection of remote sensing image based on attention feature fusion SSD algorithm
Yin Falin，Wang Tianyi
(College of Big Data and Information Engineering，Guizhou University，Guiyang 550025，China)
Abstract： Aiming at the problem that the single shot multibox detector(SSD) algorithm is not effective for small target object detection, an attention feature fusion SSD(AFF-SSD) algorithm is proposed. Firstly, in order to improve the detection performance of the network for small target objects, the attention feature fusion module is used to fuse the feature information in the shallow feature map, which reduces the noise and enhances the correlation of distant pixels in the feature map. Secondly, for the model degradation caused by the imbalance between positive and negative samples in the training process，combined with the focus classification loss function, the loss function in the SSD algorithm is optimized. Finally, transfer learning is introduced to solve the problem of overfitting caused by less training data. The experimental results show that the average accuracy of the AFF-SSD algorithm is increased by 8.09% compared with the SSD algorithm. After the migration, the average accuracy of the AFF-SSD algorithm is increased by 3.47%.
Key words : remote sensing image；target recognition；attention feature fusion；loss function；transfer learning

0 引言

近年來(lái)衛(wèi)星遙感技術(shù)在自然災(zāi)害救助和高空目標(biāo)偵察等方面得到廣泛的應(yīng)用，成為軍事偵察、海洋勘測(cè)等領(lǐng)域不可缺少的工具[1-3]。氣候、光照等自然條件的影響，使得識(shí)別遙感圖像中的目標(biāo)有很多困難。因此，對(duì)復(fù)雜場(chǎng)景下的遙感圖像目標(biāo)檢測(cè)識(shí)別的研究具有重要的價(jià)值[4-5]。

隨著深度學(xué)習(xí)[6]在計(jì)算機(jī)視覺領(lǐng)域的發(fā)展，使用卷積神經(jīng)網(wǎng)絡(luò)[7-8]對(duì)圖像中的目標(biāo)進(jìn)行識(shí)別已經(jīng)成為研究的熱門課題。2012年AlexNet[8]網(wǎng)絡(luò)在ImageNet圖像分類比賽中成績(jī)突出，從此出現(xiàn)了以深度卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的目標(biāo)檢測(cè)算法。之后出現(xiàn)的雙階段目標(biāo)檢測(cè)算法Fast R-CNN[9]、Faster R-CNN[10]等進(jìn)一步提高了檢測(cè)的精度，但是檢測(cè)速度很慢。2016年Redmon等在CVPR會(huì)議上提出統(tǒng)一實(shí)時(shí)目標(biāo)檢測(cè)算法YOLO[11]，該算法利用回歸得到邊界框和類別概率，在檢測(cè)速度上有明顯的提升，但是檢測(cè)精度偏低。同年，Liu等在ECCV會(huì)議上提出了多尺度單發(fā)射擊檢測(cè)算法SSD[12]，該算法通過用不同尺度的特征圖來(lái)提取特征，在滿足實(shí)時(shí)性的同時(shí)，提高了檢測(cè)精度。

針對(duì)小目標(biāo)檢測(cè)的準(zhǔn)確率不高，文獻(xiàn)[13]提出了自注意力特征融合模塊。遙感數(shù)據(jù)集中基本都是小目標(biāo)物體，而小目標(biāo)物體主要以淺層特征圖來(lái)檢測(cè)[14]，因此對(duì)SSD算法網(wǎng)絡(luò)中的淺層特征圖進(jìn)行融合，可提高目標(biāo)檢測(cè)的準(zhǔn)確性；針對(duì)訓(xùn)練過程中正負(fù)樣本失衡導(dǎo)致的模型退化問題，采用聚焦分類損失函數(shù)(focal classification loss)[15-16]對(duì)原始的損失函數(shù)進(jìn)行優(yōu)化。本文在原始SSD算法的基礎(chǔ)上，提出了注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法，以提升對(duì)遙感圖像目標(biāo)檢測(cè)的平均準(zhǔn)確率。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://ihrv.cn/resource/share/2000004908




作者信息：

尹法林，王天一

(貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽(yáng)550025)


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。