一、研究动机
得益于卷积神经网络的迅速发展,目标检测作为计算视觉领域的基础任务也得到飞速发展,尤其是在日常场景(平视视角)中的数据集上表现喜人。但对于大尺度遥感图像的极小物体目标检测,其检测效果改进空间依旧很大。分析当前面临的挑战主要有以下几方面:
(1)输入图片尺寸过大(18 000×18 192和27 620×29 200),现有目标检测方法效率 低。
(2)复杂背景对检测任务带来干扰(沙漠、植被、城区等不同地表结构)。
(3)高空取景导致探测目标所占像素比极低(例如8-32像素),而这些极小目标成为 了检测效果低下的主要原因。基于以上三大挑战,本文提出了一种统一的带有自主增强性(self-reinforced)的神经网络R2-CNN:一种基于遥感图像的卷积神经网络,由作为骨干网络的Tinny-Net、分类器和探测器组成,使整个网络在计算效率和内存消耗方面都有所提升,除了对假正例具有鲁棒性,还具有检测微小目标的能力。大致流程如下图所示:
每张图片会先分块输入Tinny-Net进行特征提取,再经过注意力机制模块进行加权处理,然后经过一个二分类器来判断该块图片是否含有目标,得到有目标的图片
R2-CNN: Fast Tiny Object Detection in Large-scale Remote Sensing Images论文解读
最新推荐文章于 2024-04-19 10:08:22 发布