基于深度学习的遥感图像旋转目标检测算法研究.pdf

摘要

遥感图像的目标检测任务具有其独特的挑战性，如目标物体具有方向性，复杂

的背景环境，以及目标尺寸相对较小等。这些因素都增加了在这一特定场景下进行

检测的难度。遥感图像旋转目标的检测不仅具有重要的实际应用价值，而且逐渐成

为当前研究领域的热点之一。现有的基于深度学习的遥感图像目标检测算法在检测

精度上仍有待提升。基于此，本文做了以下主要工作：

首先，针对遥感图像目标物体不适合使用水平框进行标注的特点，本文选择

CSPNeXt+CSPNeXtPAFPN的网络结构，并对相应的关键参数进行调整，将其作为检

测器的头部结构，从而构建了一种新的针对于旋转目标检测任务的基础算法，该基

础算法相较于Rtmdet与Orientedreppoints在相关数据集上的评价指标AP值有显著

上涨。为了进一步增强该基础算法的性能，本文采取了多种策略进行优化：针对可

变形卷积在偏移量预测上的不足，本文修改了头部结构，将分类与定位分支的偏移

量进行明确区分，再将所提取的特征进行融合后作为偏移量预测的输入，以得到更

适合各分支任务的偏移量；同时，针对以真值框中心点作为异常点回归方向的不足，

本文提出最短位移距离法。该方法尽可能使位于框外的异常点以最短位移距离坐落

于真值框内，同时使用可导的转换函数将预测得到的点集转换为矩形框，并用基于

高斯转换的损失函数作为边界框回归损失函数。优化后的算法在DOTAv1.0和

HRSC2016数据集上进行了验证，相较于文中提出的基础算法，评价指标Map50的

值分别提高了1.7%和0.5%。

另外，为了进一步提升算法对遥感图像的检测性能，本文提出了基于标签分配、

点质量评估及空间损失的改进方案。利用每一个真值框与其所对应预测样本之间交

并比的均值和方差，来动态地确定正负样本，这种方法摒弃了传统的人工设置正负

样本判定阈值的做法，使得样本选择更加灵活和准确；同时在原有点质量评估方案

中添加计算点集中凸点与真值框边界之间的距离和其余点重心与真值框中心点之间

距离的方法，进一步提高检测性能；最后针对空间损失函数中尺度敏感性等问题，

汲取让模型关注高质量预测样本的思想对其进行调整。优化后的算法在DOTAv1.0

和HRSC2016数据集上进行了验证，证明了上述方法的有效性。

关键词：深度学习；遥感图像；目标检测；旋转框；定向修复点

I

目录

摘要I

ABSTRACTII

1绪论1

1.1研究背景和意义1

1.2国内外研究现状2

1.3本文主要工作6

1.4本文组织结构6

2相关方法介绍8

2.1目标检测架构及代表算法8

2.1.1目标检测的基本架构8

2.1.2FasterR-CNN11

2.1.3Yolo12

2.2旋转目标检测算法14

2.3损失函数15

2.4本章小结17

3基于定向修复点的旋转目标检测算法18

3.1引言18

3.2基础算法结构18

3.3改进方案20

3.3.1头部网络20

3.3.2异常点回归路径22

3.3.3边界框回归损失函数23

3.4实验结果与分析24

3.4.1实验数据集24

3.4.2实验环境及参数26

3.4.3消融实验26

3.4.4实验结果32

3.5本章小结35

4基于标签分配、点质量评估及空间损失的改进方案36

4.1引言36

4.2改进方案36

4.2.1正负标签分配策略36

4.2.2自适应点质量评估38