-
题名多尺度特征融合与加权框融合的遥感图像目标检测
- 1
-
-
作者
张众维
王俊
刘树东
王志恒
-
机构
天津城建大学计算机与信息工程学院
天津城建大学地质与测绘学院
-
出处
《计算机应用》
北大核心
2025年第2期633-639,共7页
-
基金
国家自然科学基金资助项目(41971310)。
-
文摘
遥感图像中目标尺度变化大且目标长宽比差异大,导致遥感图像目标检测困难。针对遥感图像的这一特点,通过改进YOLO框架,提出EW-YOLO(Efficient Weighted-YOLO)提高遥感图像目标检测的精度。首先,在特征融合部分,设计多级特征融合结构,以利用双分支的残差模块促进不同尺度特征的融合,并通过融合模块的级联以及跨层特征的融合设计,增强对不同尺度目标的提取能力,并进一步增强检测能力;其次,在预测部分,提出加权检测头,引入加权检测框融合(WBF),以利用置信度分数对每个候选框进行加权,并融合生成预测框,从而提高不同长宽比目标的检测精度;最后,针对图像尺寸过大的问题,提出图像重采样处理方法,即通过将图像采样至合适大小并参与网络训练,解决由于切割造成的大尺寸目标检测精度较低的问题。在DOTA数据集上进行的实验的结果表明,所提方法的检测平均精度均值(mAP)达到了77.47%,较基于原始YOLO框架的方法提升了1.55个百分点,且优于目前的主流方法。同时,也在HRSC和UCAS-AOD数据集上验证了所提方法的有效性。
-
关键词
遥感图像
目标检测
深度学习
多尺度特征融合
加权检测框融合
-
Keywords
remote sensing image
object detection
deep learning
multi-scale feature fusion
Weighted Boxes Fusion(WBF)
-
分类号
TP751
[自动化与计算机技术—检测技术与自动化装置]
-
