文獻標識碼: 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算法對遙感圖像的目標檢測[J].網(wǎng)絡安全與數(shù)據(jù)治理,2022,41(3):67-73.
0 引言
近年來衛(wèi)星遙感技術在自然災害救助和高空目標偵察等方面得到廣泛的應用,成為軍事偵察、海洋勘測等領域不可缺少的工具[1-3]。氣候、光照等自然條件的影響,使得識別遙感圖像中的目標有很多困難。因此,對復雜場景下的遙感圖像目標檢測識別的研究具有重要的價值[4-5]。
隨著深度學習[6]在計算機視覺領域的發(fā)展,使用卷積神經(jīng)網(wǎng)絡[7-8]對圖像中的目標進行識別已經(jīng)成為研究的熱門課題。2012年AlexNet[8]網(wǎng)絡在ImageNet圖像分類比賽中成績突出,從此出現(xiàn)了以深度卷積神經(jīng)網(wǎng)絡為基礎的目標檢測算法。之后出現(xiàn)的雙階段目標檢測算法Fast R-CNN[9]、Faster R-CNN[10]等進一步提高了檢測的精度,但是檢測速度很慢。2016年Redmon等在CVPR會議上提出統(tǒng)一實時目標檢測算法YOLO[11],該算法利用回歸得到邊界框和類別概率,在檢測速度上有明顯的提升,但是檢測精度偏低。同年,Liu等在ECCV會議上提出了多尺度單發(fā)射擊檢測算法SSD[12],該算法通過用不同尺度的特征圖來提取特征,在滿足實時性的同時,提高了檢測精度。
針對小目標檢測的準確率不高,文獻[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物體,而小目標物體主要以淺層特征圖來檢測[14],因此對SSD算法網(wǎng)絡中的淺層特征圖進行融合,可提高目標檢測的準確性;針對訓練過程中正負樣本失衡導致的模型退化問題,采用聚焦分類損失函數(shù)(focal classification loss)[15-16]對原始的損失函數(shù)進行優(yōu)化。本文在原始SSD算法的基礎上,提出了注意力特征融合SSD(Attention Feature Fusion SSD,AFF-SSD)算法,以提升對遙感圖像目標檢測的平均準確率。
本文詳細內(nèi)容請下載:http://ihrv.cn/resource/share/2000004908
作者信息:
尹法林,王天一
(貴州大學 大數(shù)據(jù)與信息工程學院,貴州 貴陽550025)