文獻標識碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.03.011
引用格式： 尹法林，王天一. 注意力特征融合SSD算法對遙感圖像的目標檢測[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2022，41(3)：67-73.
0 引言
近年來衛(wèi)星遙感技術(shù)在自然災(zāi)害救助和高空目標偵察等方面得到廣泛的應(yīng)用，成為軍事偵察、海洋勘測等領(lǐng)域不可缺少的工具[1-3]。氣候、光照等自然條件的影響，使得識別遙感圖像中的目標有很多困難。因此，對復(fù)雜場景下的遙感圖像目標檢測識別的研究具有重要的價值[4-5]。
隨著深度學(xué)習(xí)[6]在計算機視覺領(lǐng)域的發(fā)展，使用卷積神經(jīng)網(wǎng)絡(luò)[7-8]對圖像中的目標進行識別已經(jīng)成為研究的熱門課題。2012年AlexNet[8]網(wǎng)絡(luò)在ImageNet圖像分類比賽中成績突出，從此出現(xiàn)了以深度卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的目標檢測算法。之后出現(xiàn)的雙階段目標檢測算法Fast R-CNN[9]、Faster R-CNN[10]等進一步提高了檢測的精度，但是檢測速度很慢。2016年Redmon等在CVPR會議上提出統(tǒng)一實時目標檢測算法YOLO[11]，該算法利用回歸得到邊界框和類別概率，在檢測速度上有明顯的提升，但是檢測精度偏低。同年，Liu等在ECCV會議上提出了多尺度單發(fā)射擊檢測算法SSD[12]，該算法通過用不同尺度的特征圖來提取特征，在滿足實時性的同時，提高了檢測精度。
針對小目標檢測的準確率不高，文獻[13]提出了自注意力特征融合模塊。遙感數(shù)據(jù)集中基本都是小目標物體，而小目標物體主要以淺層特征圖來檢測[14]，因此對SSD算法網(wǎng)絡(luò)中的淺層特征圖進行融合，可提高目標檢測的準確性；針對訓(xùn)練過程中正負樣本失衡導(dǎo)致的模型退化問題，采用聚焦分類損失函數(shù)(focal classification loss)[15-16]對原始的損失函數(shù)進行優(yōu)化。本文在原始SSD算法的基礎(chǔ)上，提出了注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法，以提升對遙感圖像目標檢測的平均準確率。
本文詳細內(nèi)容請下載：http://www.xxav2194.com/resource/share/2000004908
作者信息：
尹法林，王天一
(貴州大學(xué) 大數(shù)據(jù)與信息工程學(xué)院，貴州 貴陽550025)
