基于无锚框的光学遥感图像目标检测方法的研究与应用.pdfVIP

基于无锚框的光学遥感图像目标检测方法的研究与应用

摘要

随着遥感技术日益成熟，传感器能获取更高分辨率的光学遥感图像可以提供

直观、清晰的地球表面信息，对地表的观测具有重大意义。遥感图像目标检测作

为遥感图像解译分析领域中的重要任务，可以从广阔的视野范围中定位并标记出

感兴趣目标的位置和类别，是城市规划、土地利用、交通疏导和军事监测等领域

的重要基础。近年来，深度学习迅猛发展，图像经过卷积神经网络可以提取具有

更强语义的特征信息，使得基于深度学习的目标检测性能显著提升，在自然图像

领域取得了优异的成绩。于是，越来越多的研究者开始探索如何将基于深度学习

的目标检测算法应用到遥感图像领域。但是由于遥感图像的成像方式与自然图像

截然不同，导致直接将自然图像中表现优秀的算法应用到遥感图像领域效果并不

理想，需要将其改进以适应遥感图像。此外，大多数检测算法都是基于锚框进行

设计，这会带来大量的额外参数，并且固定尺寸的锚框对遥感图像中尺度变化十

分剧烈的目标并不友好。因此，将无锚框目标检测算法应用到遥感图像领域具有

重要价值与现实意义，故本文主要研究基于无锚框的光学遥感图像目标检测方法，

具体的研究内容如下：

（1）针对遥感图像内容丰富且复杂，具有目标种类多、密集分布和尺寸变

化剧烈等特点，导致遥感图像中目标多尺度尤其小目标难以检测的问题，本文以

CenterNet为基础提出一种基于自适应多尺度特征融合和注意力特征增强的无锚

框遥感图像目标检测方法。首先将主干网络提取的图像特征输入自适应多尺度特

征融合模块，自适应地融合多个尺度的特征，增加特征复用，提升网络的多尺度

特征表达能力；然后将融合后的特征输入到嵌入了特征增强模块的检测头中，特

征增强模块通过结合多分支空洞卷积与注意力机制，在提高网络对目标尺度的泛

化能力的同时增强有效特征信息；最后进行分类和回归得到检测结果。本文在

DIOR和NWPUVHR-10公开数据集上与多种主流目标检测算法的实验表明，所

提方法在2个数据集上的平均检测精度相较于基线网络显著提高，能够更加准确

地检测小尺寸目标，同时有效地提升多尺度目标的检测精度，验证了本文所提方

法的有效性。

（2）针对遥感图像背景复杂，包含大量与待检测目标无关的背景信息，导

致目标误检、漏检，并且图像中目标具有朝向随机和密集排布等特点，水平检测

框存在定位不准确的问题，本文以FCOS为基础提出一种基于增强特征金字塔的

旋转框光学遥感图像目标检测方法。首先在FCOS网络中增加角度预测模块以进

行旋转目标检测，能更准确地定位目标，尤其在多个狭长目标倾斜密集排布时效

果更加显著；并且设计了增强的特征金字塔网络，通过可变形卷积增强旋转目标

的特征信息，再进行特征融合以提升各级特征的表达能力；接着将融合的特征经

过注意力模块抑制背景噪声，增强对检测有帮助的特征信息；最后在检测头进行

回归和分类得到检测结果。本文在DOTA数据集和HRSC2016数据集中进行大

量实验表明，本文所提方法相较于基线网络提升明显，能更加准确地定位出密集

排布的目标，并且在复杂背景之中的目标检测效果也较好，验证了本文所提方法

的有效性。

关键词：遥感图像，目标检测，无锚框，特征融合，注意力机制

ResearchandApplicationofOpticalRemoteObject

DetectionBasedonAnchor-freeMethod

ABSTRACT

Withtheincreasingmaturityofremotesensingtechnology,sensorscanobtain

higherresolutionopticalremotesensingimages,whichprovideintuitiveandclear

informationabouttheEarthssurfaceandhavesignificantimplicationsforobserving

theEarthssurface.Objectdetectioninremotesensingimages,asanimportanttaskin

remotesensing