基于cosSTR-YOLOv7的多尺度遙感小目標檢測

張 徐, 朱正為,2, 郭玉英,2, 劉 輝, 仲 慧

(1.西南科技大學,四川 綿陽 621000; 2.特殊環境機器人技術四川省重點實驗室,四川 綿陽 621000)

0 引言

遙感圖像目標檢測與識別是遙感圖像處理領域中最基本的任務之一[1]。傳統的遙感圖像目標檢測算法,依賴精巧的手工特征設計與提取[2],此類方法易受噪聲影響,泛化性較差,檢測效果并不理想。而基于深度學習的目標檢測算法,不需要人工設計特征,能夠提取圖像高維度的語義信息,具有良好的魯棒性[3],但對于復雜背景下多尺度遙感小目標的檢測性能仍然具有很大的提升空間,如何有效提取小目標的淺層語義信息,降低誤檢率和漏檢率是亟需解決的問題[4]。

目前,基于深度學習的光學圖像目標檢測算法及應用已經較為成熟,主要分為單階段目標檢測算法和兩階段目標檢測算法。單階段算法檢測速度快但精度較低,代表性算法有YOLO系列[5]和SSD[6]等。兩階段算法檢測精度高,但檢測速度較慢,代表性的算法有Faster R-CNN[7]和Mask R-CNN[8]等。研究人員根據應用需求,將兩種算法改進后應用于目標檢測,取得了不同的檢測效果。文獻[9]提出了一種雙通道特征融合網絡,可以沿著兩條獨立的路徑學習局部和上下文屬性特征,從而形成一個強大的聯合表示,實現對遙感圖像目標的有效檢測;文獻[10] 提出了一種端到端旋轉檢測框的目標檢測算法,提高了艦船的檢測精度;文獻[11]設計了一種基于YOLOV5s模型的多尺度檢測網絡結構,提高了監控場景下目標……