《電子技術應用》
您所在的位置：首頁 > 其他 > 設計應用 > 注意力特征融合SSD算法對遙感圖像的目標檢測
注意力特征融合SSD算法對遙感圖像的目標檢測
網(wǎng)絡安全與數(shù)據(jù)治理 3期
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)
摘要： 針對多尺度單發(fā)射擊檢測(Single Shot MultiBox Detector，SSD)算法對小目標物體檢測效果不佳的問題，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)絡對小目標物體的檢測性能，使用注意力特征融合模塊對淺層特征圖中的特征信息融合，在降低噪聲的同時增強特征圖中遠距離像素的相關性；其次，針對訓練過程中正負樣本失衡導致的模型退化問題，結合聚焦分類損失函數(shù)對SSD算法中的損失函數(shù)優(yōu)化;最后，引入遷移學習解決因訓練數(shù)據(jù)較少導致的過擬合問題。實驗結果表明，與SSD算法相比，AFF-SSD算法平均準確率均值提高8.09%，經(jīng)過遷移學習后，AFF-SSD算法平均準確率均值提高3.47%。
中圖分類號： TP389
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.
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)


微信圖片_20210517164139.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權禁止轉載。