基于深度学习的光学遥感图像目标检测研究进展

目标检测是光学遥感图像解译中的核心问题,在情报侦察、目标监视、灾害救援等领域均具有广泛应用。首先,结合深度学习光学遥感图像目标检测算法研究进展,对基于候选区域和回归分析的两类遥感目标检测算法进行了综述。其次,针对旋转目标、小目标、多尺度、密集目标四类常见特定任务场景目标检测算法改进进行了总结。再次,结合常用遥感图像数据集对不同算法性能进行了对比分析。最后,对未来遥感图像目标检测研究值得关注的问题进行了展望,为后续相关研究提供思路。     

光学卫星遥感图像舰船目标检测综述

遥感图像的目标检测是把海量遥感数据转化为应用成果的重要一环,而光学遥感图像中舰船目标的检测更是遥感图像处理分析的研究热点,具有重要的应用价值.本文的主要目的是研究光学遥感图像中舰船目标检测的各种方法,对目前采用的检测方法做出系统性总结.重点介绍了基于灰度信息统计特征、视觉显著性、模板匹配和分类学习的四种传统舰船目标检测方法和深度学习方法在舰船目标检测中的应用,并分析了各种方法的优缺点和适用性,同时对舰船目标检测的未来发展进行了展望.     

基于视觉注意机制的遥感图像船只检测

针对视觉注意机制中Itti模型在显著性区域提取中提取颜色、方向和亮度3种特征,应用到遥感图像中容易造成错检的问题,在Itti模型基础上提出了改进的显著性模型,用纹理特征代替Itti模型中的颜色特征和亮度特征,同时考虑了图像在频域中的显著性。对改进后的算法进行仿真,仿真结果表明,改进算法检测精度高、实时性好,显著区域与目标基本一致,能够有效地检测遥感图像中船只目标。     

基于深度学习的遥感图像移动小目标轻量化检测方法

由于遥感图像背景复杂,移动小目标的检测难度较大,为此提出了基于深度学习的遥感图像移动小目标轻量化检测方法。为了保障目标检测效果,建立了轻量化主干网络划分遥感图像目标区域。采用深度学习方法预训练划分的遥感图像目标区域。依据训练结果确定遥感图像目标区域。根据确定的遥感图像目标区域提取目标特征。利用SSD(Single Shot MultiBox Detector)目标检测算法对提取的目标特征实行回归分类,完成遥感图像移动小目标轻量化检测。实验结果表明,该方法的检测率高于90%,虚警率低于10%,且不存在漏检问题,负荷实际结果,说明该方法的遥感图像移动小目标的检测效果较好。     

面向多源遥感图像的自适应目标检测

近年来,目标检测已经在含有大量标注的数据上展现出了良好的效果,但当真实测试数据与标注数据存在域间差异时,往往会导致训练好的目标检测模型性能降低。由于相比于自然图像,多源遥感图像在成像方式和分辨率等方面存在特有的差异,而传统的方法需要将多源图像数据重新标注,这将消耗大量人力和时间,因此在遥感图像上实现自适应目标检测面临特有的挑战。针对以上问题,本文提出了一种面向多源遥感图像的自适应目标检测算法,在图像级别和语义级别上对网络进行对抗训练。此外,通过结合超分辨网络,进一步缩小了图像级别的差异,实现了自适应目标检测。本文在两个多源遥感数据集上进行实验,结果表明本文方法有效提升了目标域上的检测效果。      

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

基于视觉显著模型的遥感图像舰船快速检测

为了降低传统高分辨率海面遥感图像舰船目标检测方法的计算复杂度,提高检测速度,在舰船目标检测中引入了基于直方图对比度的视觉显著模型和空间降维算法,提出一种新的高分辨率海面遥感图像舰船目标快速检测算法。首先对高分辨率遥感图像进行空间降维,然后计算降维图的视觉显著图,突出感兴趣目标区域,最后利用最大类间方差法分割视觉显著图以获取舰船目标候选区域。结果表明,目标检测所消耗的时间减小为原来的10%~12%,弱化了复杂海面纹理背景对目标检测的影响。该研究提高了高分辨率遥感图像舰船目标的检测效率。     

红外遥感图像舰船目标检测

红外遥感图像舰船目标检测在军舰探测、精确制导等军用领域以及海面搜救、渔船监测等民用领域具有极其重要的战略意义。本文回顾了红外遥感图像的发展历程,总结了舰船遥感图像的特点及其图像处理的难点。着重分析了海陆分割和海洋背景图像预处理的研究现状,对舰船检测算法进行了总结和归纳,在此基础上对各种算法进行比较并指出其适用性和优缺点,最后对其未来发展趋势进行了展望。     

基于YOLOv3-SPP的遥感图像目标检测压缩模型

近年来，卷积神经网络模型已被广泛应用于遥感图像目标检测任务中，但自然场景图像与遥感图像的目标特性存在差异，针对自然场景设计的模型往往难以在遥感图像任务中取得良好的效果。同时，很多遥感图像处理任务需要在星载、机载等资源有限的平台中进行，难以部署参数量、计算量大的复杂模型。针对以上问题，本文对在自然场景中性能优异的YOLOv3-SPP模型进行适应性改进及参数压缩。首先，对原始的L1范数剪枝算法进行改进，提出基于L1范数和均值差的加权剪枝算法，能够更好地保留重要的通道。其次，对剪枝后的子网集合进行快速评估，选取评估结果最好的子网进行微调。在预训练和微调阶段，本文将SPP模块中的最大池化层替换为softmax加权池化层，着重突出深层网络中权重较大的特征，提高了模型的检测精度。本文在多个公开遥感数据集上进行实验，结果表明改进的YOLOv3-SPP模型在遥感目标检测任务上具有更好的性能，同时本文的剪枝算法可以在相同的参数压缩比例条件下，降低模型的性能损失。     

基于改进YOLO模型的遥感小目标检测

针对遥感图像中小目标检测精度低以及漏检现象严重的问题,提出一种基于YOLOv4改进的遥感小目标检测算法。该算法首先改进特征提取网络,删除深层次特征层,减少语义丢失现象;其次将轻量级注意力机制与RFB-S结构融合,拓展感受野,并加强网络对重要信息的关注程度,从而提升检测精度;最后使用Focal Loss函数解决正负样本不均衡问题,抑制背景目标,进一步增强检测效果。在RSOD数据集上的实验结果表明,改进后算法检测平均精度为96.5%,召回率达到87.2%,检测效果明显提升,有效改善了小目标漏检现象,对遥感图像小目标检测具有重要意义。     

高光谱图像目标检测研究进展

 高光谱图像目标检测在民用和军事上都具有重要的理论价值和应用前景,是当前目标识别及遥感信息处理研究领域中的一个热点研究问题.文章从高光谱成像的特性及发展入手,对高光谱图像目标检测的潜在典型应用、国内外相关实验及系统进行了总结;综述了算法理论现状;详细分析了高光谱图像目标检测的研究难点及未来发展趋势.     

基于视觉显著性的SAR遥感图像NanoDet舰船检测方法

在合成孔径雷达遥感图像中,舰船由金属材质构成,后向散射强;海面平滑,后向散射弱,因此舰船是海面背景下的视觉显著目标。然而,SAR遥感影像幅宽大、海面背景复杂,且不同舰船目标特征差异大,导致舰船快速准确检测困难。为此,该文提出一种基于视觉显著性的SAR遥感图像NanoDet舰船检测方法。该方法首先通过自动聚类算法划分图像样本为不同场景类别;其次,针对不同场景下的图像进行差异化的显著性检测;最后,使用优化后的轻量化网络模型NanoDet对加入显著性图的训练样本进行特征学习,使系统模型能够实现快速和高精确度的舰船检测效果。该方法对SAR图像应用实时性具有一定的帮助,且其轻量化模型利于未来实现硬件移植。该文利用公开数据集SSDD和AIR-SARship-2.0进行实验验证,体现了该算法的有效性。      

基于多尺度特征选择性融合的遥感图像检测算法北大核心CSCD

遥感图像的检测在监察自然环境、军事、国土安全等方面具有极其广阔的应用前景,而遥感图像具有背景复杂、目标面积小、特征提取困难等缺点,进行检测时容易产生小目标漏检问题。本文提出一种基于多尺度特征选择性融合的遥感图像检测算法。所提算法采用改进的Resnet50作为主干网络,将Resnet50第一个卷积替换成动态卷积,并将其ConvBlock模块中的卷积替换成金字塔卷积,提高特征提取能力。同时,为了避免遗漏底层信息,在动态卷积层后加入所提有效空间通道注意力机制模块。最后,选取基于上下文信息的不同尺度特征进行融合,提高了模型对目标物体的定位能力。实验结果表明,本文算法在保证速度的同时提高了对遥感图像的检测精度,在遥感图像公开数据集RSOD和NWPUVHR-10上平均精度均值(mean average precision,mAP)分别达到91.88%和90.23%,检测速度达到33 FPS。     

基于弱语义注意力的遥感图像可解释目标检测

近些年来随着遥感技术的快速发展,遥感图像目标检测成为了当前的研究热点.针对遥感图像背景复杂以及现有目标检测模型缺乏可解释性等问题,本文提出了一种基于弱语义注意力的遥感图像可解释目标检测方法.具体地,首先通过多层级特征金字塔来解决遥感图像中目标尺度变化范围大的问题.其次,利用检测框的角度回归来解决遥感图像目标定向的问题.然后,基于弱语义分割网络产生强化目标特征的注意力权重值,抑制背景噪声.最终用网络剖析的分析方法,获取模型中卷积核对应的可解释性语义概念.实验结果表明,本文提出的算法在遥感图像目标检测的准确性以及对背景噪声抑制上有较好的表现,并且通过可解释性算法在一定程度上使本文提出的模型易于理解.     

基于大小场景整合的遥感小目标检测算法

针对目前遥感图像小目标检测算法遇到的复杂背 景建模困难、先验信息严重匮乏等问题,考虑 到昆虫视觉系统在图像处理方面的优势,提出基于蝇视觉系统大小场景(LF-SF)整合的信 息处理模式解决遥感 图像存在复杂背景的目标检测。蝇视觉的LF-SF整合机理无需考虑图像背景的复杂度以及目 标先 验信息,在抑制复杂背景纹理特征的同时对稀有目标特征进行增强,最后通过加权融合实现 目标检测。实验结果表明,本文算法在算法设计、处理速度以及检测精度均优于现有算法 。     

基于多层级自注意力增强的遥感目标检测

随着遥感图像分辨率的不断提高，遥感图像目标检测技术获得了更广泛的关注。针对遥感图像中背景复杂噪声多、目标方向任意且目标尺寸变化大等问题，提出一种基于多层级局部自注意力增强的遥感目标检测算法。首先，在Oriented R-CNN骨干网络中引入Swin Transformer特征提取模块，使用具有移位窗口操作和层次设计的Transformer模块对特征提取的语义信息进行多层级局部信息建模。其次，使用Oriented RPN生成高质量的有向候选框。最后，将高斯分布之间的Kullback-Leibler divergence(KLD)作为回归损失函数，使得参数梯度能够根据对象的特征得到动态调整，更加准确地进行检测框的回归。所提算法在DOTA数据集和HRSC2016数据集上的平均精度均值（mAP）分别达77.2%和90.6%，和Oriented R-CNN算法相比，mAP分别提高了1.8个百分点和0.5个百分点。实验结果表明，所提算法能够有效地提高遥感图像目标检测精度。     

基于深度学习的光学遥感图像目标检测综述

目标检测是光学遥感图像解译的核心环节,广泛应用于情报侦察、土地利用、城市规划等领域。近年来,深度学习的发展成熟使光学遥感目标检测的精确度和效率得到大幅提升。本文首先综述了基于深度学习的通用目标检测算法;然后介绍了当前常用的光学遥感图像目标检测数据集并依据数据特点分析了数据集的发展趋势;接着根据遥感图像检测难点,从任意方向、多尺度、小目标、密集分布、复杂背景5个方面详细梳理了算法的优化方案;最后展望了光学遥感图像目标检测研究的发展方向。     

针对遥感图像目标检测的改进YOLOv5s算法

针对遥感图像中背景复杂、小目标分布密集以及易受环境因素影响导致检测性能不佳的问题,提出一种改进的YOLOv5s目标检测算法。首先,通过设计一种混淆鉴别注意力机制（Confusion-Distinguishable Attention,CDA）来避免目标与背景之间的混淆,提高对目标信息的关注度,能够有效提升目标检测的准确性和健壮性。其次,在原结构的颈部添加小目标检测层,解决小目标分布紧密、漏检的现象,从而提高算法的多尺度目标检测性能。最后,在DOTA数据集中进行实验和验证。实验结果表明,所提算法能够明显提高遥感图像目标检测的平均准确率。     

角点与边缘信息相结合的遥感图像飞机检测新方法

利用遥感图像中飞机目标的边缘特征和角点特征,提出边缘与角点信息相结合的遥感图像飞机检测新方法.首先,进行Canny边缘检测,提取遥感图像中飞机目标边缘信息,并利用OTSU算法二值化处理图像;然后,进行Harris角点检测,找出满足飞机角点分布特征的区域,去除伪目标;最后,进行区域生长式聚类,通过求取类心最终确定飞机位置.对60幅高分辨率遥感图像进行飞机检测测试,正确检测出238架飞机中的220架,漏检18架,48个虚警.实验表明,该方法可以有效解决复杂背景下飞机检测问题,具有良好的检测性能.