融合多层级特征的遥感图像地面弱小目标检测

论文基本信息

标题：融合多层级特征的遥感图像地面弱小目标检测
发表时间：2022.03
期刊：仪 器 仪 表 学 报
第一作者：闫钧华

创新点如何出现的：

0.背景

本文针对单帧遥感图像中地面弱小目标检测展开研究，地面弱小目标定义为几个到几十个像素的目标，在遥感图像中呈现特征弱、尺寸小等难点［１］。 目标特征弱主要体现在外部轮廓不清晰、纹理特征不突出、与邻近背景特征相似度高；目标尺寸小主要体现在目标在整幅图像中像素占比少［２］。 因此，在图像中可以提取到的目标有效信息量少且目标容易淹没在背景噪声中，这使得精确检测出地面弱小目标成为难题。

1.提出数据集

经过广 泛调研［１４⁃２１］ ，目前针对遥感图像地面弱小目标检测尚没 有公开可用的数据集。【？遥感小目标数据集没有吗】

2.新方法

针对遥感图像地面弱小目标检测中弱小目标信息量少、信息真假混杂的难题，融合遥感图像多层级特征进行地面弱小目标检测。【融合多层特征的思路也不新】

方法的具体实现：

1.CC-YOLO

本文算法首先在 ＹＯＬＯｖ５ 算法框架的基础上，对多层级特征提取和融合模块进行重构；然后，结合新增的位置注意力机制（ ｃｏｏｒｄｉｎａｔｅ ａｔｔｅｎｔｉｏｎ， ＣＡ） ［２２］对特征图进行空间特征聚合；最后，对网络检测端进行优化，输出双支路特征图检测弱小目标，综合提高算法对地面弱小目标的检测精度和检测速率。

在主干网络中，由于多次使用下采样进行图像深度特征提取，使得弱小目标的特征信息随着特征层级的增加不断减少甚至消失，因此本文算法在 ＹＯＬＯｖ５ 主干网络的基础上去除顶层特征提取层，在降低网络复杂度的同时，避免无效信息进入下一阶段进行通道特征融合。 在跨层级通道特征融合模块，为捕获弱小目标更多的有效信息，本文算法从底层特征提取层开始进行特征层通道融合。
与ＹＯＬＯｖ５ 算法输出三支路目标检测特征图不同， ＣＣ⁃ＹＯＬＯ 算法在 ｐ２和ｐ３ 层级经空间特征聚合后的双支路特征图上进行目标检测，剔除了小尺寸特征图检测层ｐｐｒｅ４ 和ｐｐｒｅ，增加了大尺寸特征图检测层 ｐｐｒｅ， 并联合多通道检测５２信息，经非极大值抑制后输出弱小目标检测结果。

针对地面弱小目标特征弱、尺寸小等难点，本文算法引入位置注意力机制 ＣＡ，在跨层级通道特征融合后输出的双支路特征图上进行空间特征聚合，保留弱小目标精确的位置信息。 位置注意力机制 ＣＡ 如图 ４ 所示，图中Ｃ、Ｈ、Ｗ分别表示输入特征图的通道数、高度和宽度，Ｒｅｓｉｄｕａｌ 为残差网络模块，Ｘ Ａｖｇ Ｐｏｏｌ 和 Ｙ Ａｖｇ Ｐｏｏｌ 表示沿输入特征图水平方向和垂直方向分别进行一维平均池化，Ｒｅ⁃ｗｅｉｇｈｔ 表示对输入特征图的空间特征进行加权聚合。

2.ＧＤＳＴＤ 数据集构建

ground-based dim small target dataset
（1）来源的数据集
ＧＤＳＴＤ 数 据 集 来 源 于ＵＮＩＣＯＲＮ ２００８［２３］美国空军基地数据，ＵＮＩＣＯＲＮ ２００８ 提供不同时刻探测器对同一区域的成像数据，包括可见光遥感图像数据共 ６ ４７１ 张，可见光图像中的成像区域会随时间发生变化，成像区域面积在 ５ ｋｍ×５ ｋｍ 左右，图像空间分辨率约为 ０. ４ ｍ，每幅图像平均像素数在 ８ ０００×１０ ０００ 左右【确实有点太大了】。 图像中目标为弱小车辆目标【只有一种目标】，车辆目标所含信息量少且地面背景复杂，导致目标检测困难。
（2）构建
由于 ＵＮＩＣＯＲＮ ２００８ 数据中可见光遥感图像尺寸过大，直接输入深度学习网络不利于地面弱小目标检测且对硬件设施要求过高，因此需要将大尺寸图像分块处理成若干小尺寸图像。 另外，ＵＮＩＣＯＲＮ ２００８ 数据提供了大尺寸图像中部分目标的中心点位置信息，在图像分块后需要将规整到的目标信息划分到小尺寸图像中，同时补充缺失的目标标注框长宽信息。【我的理解是：网格化划分，然后把标注信息给到每一个小块】
训练集和验证集共 ３ ０００ 张图像进行人工目标重标注。 使用 ＬａｂｅｌＩｍｇ 图像目标标注软件，以尽量紧密包裹目标为总原则，对训练集和验证集图
像进行人工重标注， 图像中目标统一标记为车辆（ｖｅｈｉｃｌｅ）类，共得到 ３ ０００ 张目标重标注图像。
（3）数据集构建结果
目标标注不全的预训练集用于对网络进行预训练，提高后续训练集训练网络的收敛速度和网络的泛化能力，目标标注完全的训练集在预训练集训练的基础上对网络参数进行微调，提高网络的检测精度和鲁棒性。

实验：

1.指标：

利用 ＡＰ０. ５ ∶０. ９５，ＡＰ０. ５、ＡＰ０. ７５ 和检测速率（ＦＰＳ）对地面弱小目标检测算法进行定量评价。

2.方法的优劣：

1. 优势：
   １）本文算法对复杂多运动弱小目标场景、弱小目标相互毗邻场景以及存在斑点噪声场景中的弱小目标有良好的检测性能；
   ２）本文算法 ＡＰ０. ５ ：０ ．９５达到 ４２. ３％，ＡＰ０. ５
   达到 ９４. ６％，ＡＰ０. ７５达到 ２７. ８％，在 ＧＰＵ处理器为 ＲＴＸ ３０７０ 下，检测速率 ＦＰＳ 达到 ５８. ８ 帧／ｓ，具有优良的检测性能和实时性；
   ３）本文算法优于主流深度学习目标检测算法，具有一定的鲁棒性。
2. 不足
   【我认为创新有限】

——————————————————————
欢迎指正，共同进步~~