用于遥感图像目标检测的少样本算法.pdfVIP

计算机与现代化

2024年第2期JISUANJIYUXIANDAIHUA总第342期

文章编号：1006-2475（2024）02-0043-07

用于遥感图像目标检测的少样本算法

薛杨义，周立凡，龚声蓉121，2

（1.东北石油大学计算机与信息技术学院，黑龙江大庆163000；2.常熟理工学院计算机科学与工程学院，江苏苏州215500）

摘要：针对遥感场景数据量匮乏，高空拍摄捕捉的地表物体尺寸变化明显，包含大量多个类别的物体以及复杂背景，导致

检测准确率低、分类不准确等问题，提出一种基于二阶段检测模型（FasterRCNN）的少样本遥感目标检测网络。新增新

型反转卷积算子构建检测器主干，提高特征提取能力；融入多尺度对象级正样本特征进行原始特征增强，抑制负样本的

不利影响，充分挖掘各目标尺度的特征信息，帮助语义信息进行定位；采用对比监督的思想改进损失函数，细化目标分

类，降低误检率。在公开遥感数据集上的实验结果表明，在仅有少量遥感标注样本的条件下，该网络能适应遥感图像的

多尺度特征并有效缓解数据稀缺引发的过拟合现象。与先期MetaRCNN和FsDet网络相比，平均准确度进一步提升了

3.8个百分点和2.5个百分点，为遥感领域的图像目标检测提供有意义参考。

关键词：少样本；目标检测；特征增强；微调；遥感图像；对比损失

中图分类号：TP751文献标志码：ADOI：10.3969/j.issn.1006-2475.2024.02.007

Few-shotAlgorithmforObjectDetectioninRemoteSensingImages

121，2

XUEYang-yi，ZHOULi-fan，GONGSheng-rong

（1.SchoolofComputerandInformationTechnology，NortheastPetroleumUniversity，Daqing163000，China；

2.SchoolofComputerScienceandEngineering，ChangshuInstituteofTechnology，Suzhou215500，China）

Abstract：Inviewofthelackofremotesensingscenedata,theobvioussizechangeofsurfaceobjectscapturedbyaerialphotogra⁃

phy,includingalargenumberofobjectsofmultiplecategoriesandcomplexbackground,resultinginlowdetectionaccuracyand

inaccurateclassification,asmallsampleremotesensingtargetdetectionnetworkbasedonthetwo-stagedetectionmodel(Faster

RCNN)isproposed.Newinvolutionconvolutionoperatorsareaddedtobuilddetectorbackbonetoimprovefeatureextractionca⁃

pability;Integratemulti-scaleobject-levelpositivesamplefeaturestoenhancetheoriginalfeatures,suppresstheadverseeffects

ofnegativesamples,fullyminethefeatureinformationofeachtargetscale,andhelpthesemanticinformationtolocate;Theidea

ofcom