题名 基于增强特征提取的森林遥感图像行人小目标检测网络
被引量：2
1
作者
李春燕 王超 金星 符利勇 业巧林
机构
南京林业大学信息科学技术学院、人工智能学院 中国林业科学研究院资源信息研究所 南京晓庄学院智能信息处理重点实验室
出处
《林业工程学报》
CSCD
北大核心
2024年第4期130-139,共10页
基金
国家自然科学基金(62072246)。
文摘
林业作业人员常常由于复杂地貌而面对坠落、森林火灾等威胁,卷积神经网络结合无人机巡查的方法已经成为主流防范、搜救措施,但遥感图片中的行人小目标有特征少、定位精度要求高以及极易受背景信息干扰的特点。为了能够使森林遥感图片行人小目标检测的精度达到预期,在YOLOv4方法的基础上针对上述特点设计了增强特征提取的目标检测网络(EFEN),通过构建感受野增强模块(RFBA)并结合CBAM注意力机制,在充分利用遥感图片中的丰富上下文信息之余,对相关信息进行动态选择,增强特征的表示能力;基于高斯分布思想,将归一化Wasserstein距离与CIOU结合,提出了一种新的损失函数(GKCLOSS),降低了小目标检测任务中对位置偏差的敏感性;引入一种自适应分割训练检测策略,平衡正负样本,提高目标检测的准确性,进一步提高了检测精度。以河北省张家口市崇礼区采集的无人机行人图像为研究对象,实验表明,EFEN框架在小目标检测方面优于现有的深度学习网络,在与SSD、YOLOv5、YOLOv7等算法比较中平均查准率(mAP)均有所提升,在上述数据集上,mAP高达39.10%,证明了此方法对行人小目标数据的有效性。
关键词
遥感图像 行人小目标 增强 特征提取感受野增强模块 GKCLOSS损失函数
Keywords
remote sensing image pedestrian mini-target enhanced feature extraction receptive field block attention module GKCLOSS loss function
分类号
TP319.4
[自动化与计算机技术—计算机软件与理论]
题名 一种基于SAM-MSFF网络的低照度目标检测方法
被引量：3
2
作者
江泽涛 李慧 雷晓春 朱玲红 施道权 翟丰硕
机构
桂林电子科技大学广西图像图形与智能处理重点实验室 南昌航空大学
出处
《电子学报》
EI
CAS
CSCD
北大核心
2024年第1期81-93,共13页
基金
国家自然科学基金(No.62172118,No.61876049) 广西自然学科基金(No.2021GXNSFDA196002) +1 种基金 广西图像图形智能处理重点实验项目(No.GIIP2006,No.GIIP2007,No.GIIP2008) 广西研究生教育创新计划项目(No.YCB2021070,No.YCBZ2018052,No.YCSW2022269,No.2021YCXS071)。
文摘
由于低照度图像具有对比度低、细节丢失严重、噪声大等缺点,现有的目标检测算法对低照度图像的检测效果不理想.为此,本文提出一种结合空间感知注意力机制和多尺度特征融合(Spatial-aware Attention Mechanism and Multi-Scale Feature Fusion,SAM-MSFF)的低照度目标检测方法 .该方法首先通过多尺度交互内存金字塔融合多尺度特征,增强低照度图像特征中的有效信息,并设置内存向量存储样本的特征,捕获样本之间的潜在关联性;然后,引入空间感知注意力机制获取特征在空间域的长距离上下文信息和局部信息,从而增强低照度图像中的目标特征,抑制背景信息和噪声的干扰;最后,利用多感受野增强模块扩张特征的感受野,对具有不同感受野的特征进行分组重加权计算,使检测网络根据输入的多尺度信息自适应地调整感受野的大小.在ExDark数据集上进行实验,本文方法的平均精度(mean Average Precision,mAP)达到77.04%,比现有的主流目标检测方法提高2.6%~14.34%.
关键词
低照度图像 目标检测 空间感知注意力机制 多尺度特征融合 多感受野增强模块
Keywords
low-light images object detection spatial-aware attention mechanism multi-scale feature fusion multi⁃ple receptive field enhancement module
分类号
TP319
[自动化与计算机技术—计算机软件与理论]
