www黄色在线,国产精品福利在线观看网址,国产日韩精品电影

注意力特征融合SSD算法对遥感图像的目标检测

网络安全与数据治理 3期

尹法林，王天一

(贵州大学大数据与信息工程学院，贵州贵阳550025)

摘要： 针对多尺度单发射击检测(Single Shot MultiBox Detector，SSD)算法对小目标物体检测效果不佳的问题，提出注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法。首先，为了提升网络对小目标物体的检测性能，使用注意力特征融合模块对浅层特征图中的特征信息融合，在降低噪声的同时增强特征图中远距离像素的相关性；其次，针对训练过程中正负样本失衡导致的模型退化问题，结合聚焦分类损失函数对SSD算法中的损失函数优化;最后，引入迁移学习解决因训练数据较少导致的过拟合问题。实验结果表明，与SSD算法相比，AFF-SSD算法平均准确率均值提高8.09%，经过迁移学习后，AFF-SSD算法平均准确率均值提高3.47%。

關(guān)鍵詞： 遥感图像目标识别注意力特征融合损失函数迁移学习

中圖分類號(hào)： TP389
文獻(xiàn)標(biāo)識(shí)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(biāo)檢測[J].網(wǎng)絡(luò)安全與數(shù)據(jù)治理，2022，41(3)：67-73.

Target detection of remote sensing image based on attention feature fusion SSD algorithm

Yin Falin，Wang Tianyi

(College of Big Data and Information Engineering，Guizhou University，Guiyang 550025，China)

Abstract： Aiming at the problem that the single shot multibox detector(SSD) algorithm is not effective for small target object detection, an attention feature fusion SSD(AFF-SSD) algorithm is proposed. Firstly, in order to improve the detection performance of the network for small target objects, the attention feature fusion module is used to fuse the feature information in the shallow feature map, which reduces the noise and enhances the correlation of distant pixels in the feature map. Secondly, for the model degradation caused by the imbalance between positive and negative samples in the training process，combined with the focus classification loss function, the loss function in the SSD algorithm is optimized. Finally, transfer learning is introduced to solve the problem of overfitting caused by less training data. The experimental results show that the average accuracy of the AFF-SSD algorithm is increased by 8.09% compared with the SSD algorithm. After the migration, the average accuracy of the AFF-SSD algorithm is increased by 3.47%.

Key words : remote sensing image；target recognition；attention feature fusion；loss function；transfer learning

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(biāo)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(shí)別遙感圖像中的目標(biāo)有很多困難。因此，對復(fù)雜場景下的遙感圖像目標(biāo)檢測識(shí)別的研究具有重要的價(jià)值[4-5]。

隨著深度學(xué)習(xí)[6]在計(jì)算機(jī)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(biāo)進(jìn)行識(shí)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(biāo)檢測算法。之后出現(xiàn)的雙階段目標(biāo)檢測算法Fast R-CNN[9]、Faster R-CNN[10]等進(jìn)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(huì)議上提出統(tǒng)一實(shí)時(shí)目標(biāo)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(huì)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(shí)時(shí)性的同時(shí)，提高了檢測精度。

針對小目標(biāo)檢測的準(zhǔn)確率不高，文獻(xiàn)[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(biāo)物體，而小目標(biāo)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(jìn)行融合，可提高目標(biāo)檢測的準(zhǔn)確性；針對訓(xùn)練過程中正負(fù)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(jìn)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(biāo)檢測的平均準(zhǔn)確率。

本文詳細(xì)內(nèi)容請下載：http://m.tom3567.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)

微信圖片_20210517164139.jpg

原創(chuàng)聲明：此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容