结合边缘增强与混合注意力的遥感图像检测.pdfVIP

ISSN1009-3044E-mail：eduf@

ComputerKnowledgeandTechnology电脑知识与技术

第20卷第19期(2024年7月）ComputerKnowledgeandTechnology电脑知识与技术

http：//

Vol.20,No.19,July2024Tel：+86-551

结合边缘增强与混合注意力的遥感图像检测

王春丽

（长江大学计算机科学学院，湖北荆州434022)

摘要：为了改善遥感图像中目标边缘特征模糊以及细粒度目标之间特征相似导致检测精度不高的问题，提出了一种结

合边缘增强和混合注意力机制的遥感图像检测方法。针对目标边缘特征模糊问题，通过反锐化掩膜(UnsharpMasking,

USM)方法对遥感图像进行增强处理，帮助模型捕获更多边缘特征。针对细粒度目标之间特征相似问题，在特征提取阶

段引入空间和通道挤压与激励(SpatialandChannelSqueezeExcitation,scSE)混合注意力机制，增强目标的辨识特征。

在公开的遥感图像数据集HRSC2016上的实验结果表明，所提方法的检测精度达到85.15%，提高了舰船细粒度目标的

检测准确率。

关键词：遥感图像；HRSC2016；细粒度检测；USM锐化；注意力机制

中图分类号：TP751文献标识码：A

文章编号：1009-3044(2024)19-0023-04

开放科学（资源服务）标识码(OSID)：

0引言意的问题；OrientedR-CNN(Xie等，2021)[13]算法，是一

种通用的双阶段定向检测器，第一阶段通过定向RPN

随着遥感技术的发展，遥感图像逐渐大数据化，

生成定向建议，第二阶段采用定向R-CNN头来对建

相应的对遥感图像的处理技术要求也越来越高，目标

检测也是遥感图像处理的重要内容之一[1]。目前，针议进行分类和细化空间位置，具有良好的精度和效

率；ReDet(Han等，2021)[14]算法，提出了一个旋转等变

对自然图像的目标检测算法已经越来越成熟，在实际

检测器，将旋转等变网络结合到检测器中以提取旋转

中也得到了广泛应用。然而，相比于自然图像，遥感

等变特征，从而准确地预测方向；OrientedRepPoints

图像的背景往往更复杂，噪声干扰更严重，且呈现目[15]

标密集、方向任意等特点[2-3]，因此，自然图像的目标检(Li等，2022)是在点集表示的RepPoints(Yang等，

2019)[16]算法的基础上，引入自适应点表示不同的方

测算法并不能完全适用于遥感图像。

向、形状和姿势，不仅可以精确定位任意方向目标，还

目前，基于深度学习的遥感图像目标检测主要有