面向遥感图像的小样本目标检测方法研究.pdf

面向遥感图像的小样本目标检测方法研究

摘要

随着遥感技术的不断进步，遥感图像因其能为地质测绘、城市规划、灾情评估、

环境检测、军事侦察等提供大量地理信息，在社会中起着越来越重要的作用。在遥感

图像解译领域中，目标检测是一项有着广泛应用的热点任务。研究人员通过修改基于

深度学习的目标检测模型，使其对遥感图像的常见目标达到了较高的检测精度。然而，

在许多遥感场景，存在遥感图像或者其标注不足的问题，这使得直接使用深度学习模

型进行目标检测的效果不佳。因此，本文结合小样本学习方法，对基于深度学习的目

标检测模型进行改进，提出一种面向遥感图像的小样本目标检测方法。

针对遥感图像目标尺度变化大，以及遥感图像生成的原型不稳定的问题，本文结

合3D卷积、空间注意力和余弦距离等方法，提出了一种基于多尺度特征融合及前景注

意力网络的小样本特征提取及原型生成方法。分别从特征提取、特征增强和原型生成

三方面进行改进，以更好地从遥感图像中提取与目标相关的信息：（1）通过多尺度融

合特征提取网络，获取支持图像和查询图像的增强多尺度特征，以适应目标的尺度变

换；（2）通过前景注意力网络，提升支持图像的目标信息，消除背景的影响；（3）通

过基于余弦距离的原型生成网络，生成更稳定的原型，用于后续查询图像的检测。

针对遥感图像特征尺度不匹配、目标方向多变性以及遥感图像信息利用不充分的

问题，本文结合逐通道卷积、极坐标分区池化以及反向预测，提出了基于多尺度注意

力及旋转对齐网络的小样本目标检测及正则化训练方法。分别从尺度匹配、特征对齐

和训练策略三方面改进以提高匹配性能：（1）通过多尺度注意力区域建议网络，充分

利用不同尺度的支持图像特征，提升候选区域的质量；（2）通过基于旋转对齐的双分

支检测网络，对齐原型和查询图像特征，提升多方向目标的检测性能；（3）通过基于

反向预测的正则化训练策略，充分利用遥感图像信息，进一步提升检测效果。

本文提出的面向遥感图像的小样本目标检测方法，可以在小样本条件下，更精确

地检测出遥感图像中的目标，为降低遥感图像的解译成本做出了贡献。本文提出的方

法在相关遥感数据集上进行了大量实验，相较于其他小样本目标检测模型，取得了更

好的效果。

关键词：遥感图像；目标检测；小样本；多尺度

面向遥感图像的小样本目标检测方法研究

Abstract

Withthecontinuousadvancementofremotesensingtechnology,remotesensingimages

playanincreasinglyimportantroleingeologicalsurveyingandmapping,urbanplanning,

disasterassessment,environmentalmonitoring,militaryreconnaissance,andotherfieldsby

providingalargeamountofgeographicinformation.Inthefieldofremotesensingimage

interpretation,objectdetectionisawidelyusedandhottask.Researchershavemodifieddeep

learning-basedobjectdetectionmodelstoachievehighdetectionaccuracyforcommonobjects

inremotesensingimages.However,inmanyremotesensingscenarios,thereisaproblemof

insufficientremotesensingimagesortheirannotations,whichmakesthedirectuseofdeep

learningmodelsforobjectdetectionineffective.