多尺度深度特征融合网络的遥感图像目标检测

摘要：

本文针对现有方法对遥感图像目标检测准确率低的问题,在更快速区域卷积神经网络Faster R-CNN(Faster Region Convolutional Neural Networks)算法的基础上对其进行改进,提出一种新的遥感图像目标检测算法.该算法把Faster R-CNN算法中的VGG(Visual Geometry Group)特征提取网络替换为残差网络ResNet(Residual Networks),在此基础上加入特征金字塔网络以充分表达语义信息和位置信息,并使用焦点损失函数替代Faster R-CNN算法中的交叉熵损失函数以解决难易样本对总损失贡献的权重问题,最后对NWPU VHR-10数据集和RSOD数据集采用数据增广方法以解决数据集中图像样本数量少的问题.为验证本文算法的效果,进行了两组对比实验.第一组实验为本文提出的改进模块在NWPU VHR-10数据集和RSOD数据集上的消融实验;第二组实验为本文算法与其他算法在NWPUVHR-10数据集上的对比实验.实验结果表明,本文算法在NWPU VHR-10数据集和RSOD数据集上的多类平均准确率分别达到93.4％和93.0％,比FasterR-CNN算法提高了 10.6％和7.8％.同时也高于现有的其他几种算法.

关键词：遥感图像、目标检测、特征提取网络、特征金字塔网络、损失函数、数据增广

所属期刊栏目：26

分类号：P2(测绘学)

资助基金：国家自然科学基金;常州市应用基础研究计划;中央高校基本科研业务费项目

在线出版日期：2023-01-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共12页

页码：2292-2303