遥感领域有许多不同的研究分支,如目标检测、变化检测、目标跟踪和异常检测。近年来,随着计算机硬件的改进,遥感领域出现了许多优秀的作品,进一步促进了遥感领域的研究。
目标检测是计算机视觉中一个复杂的多任务问题,它涉及两个主要任务:定位和分类。就像人类发现物体一样,物体检测器不仅需要告诉我们物体在哪里,还需要告诉我们物体是什么。这对于人类来说是一项非常简单的任务,但对于神经网络来说是一项极其困难的任务。
CANet 基于经典的faster R-CNN。与faster R-CNN 相比,CANet 具有更丰富的上下文信息和非局部信息,这对检测非常有益。CANet 由 U-DFP 和 CAM 组成。U-DFP 可以帮助获得更丰富的上下文信息,而 CAM 将帮助建模小物体像素之间的空间关系。
上采样和下采样特征金字塔
通常,网络越深,提取特征的能力越强。然而,深度 CNN 通常包含许多卷积层和池化层。对于小物体,由于它们覆盖了很少的有效特征,更容易丢失深层的大部分详细信息,不利于后续的检测。因此,有必要将浅层提取的小物体的纹理信息与深层提取的语义信息相结合,以便更好地检测。
首先,对携带语义信息的深度特征图进行上采样(最近邻插值)并与与FPN相同的浅层特征图合并,经过1×1卷积操作。
然后,将具有纹理信息的合并浅层特征图下采样并再次与深度特征图合并,以获得具有丰富特征的多尺度特征图。
为了融合更多的特征,我们设置了同一层的输入和输出之间的跳过连接。
跨层注意模块
受非局部注意机制的启发,认为对象周围的像素对于检测对象也非常有用。这实际上类似于人类在现实世界中发现小物体的机制。事实上,对对象的局部特征和非局部特征之间的关系进行建模相当于获得更丰富的对象细节信息,这显然有助于检测。因此,在特征图的每一层都添加了一个注意力模块,以获得每个对象的非局部信息。然后,考虑到在特征图的每一层都获得的信息是不平衡的,整合并平衡所有层的所有特征图,以获得更平衡和更强的特征。
为了对像素对的位置关系进行建模,在 U-DFP 之后添加了四个注意力模块。
从那时起,获得了多个尺度和非局部信息在相同尺度上的上下文信息。事实上,在不同层获得的重要信息是不平衡的。为了获得更平衡和更强的特征,对每一层的特征进行跨层集成和平衡。
A2 是最浅层的特征图。为了实现跨层集成,同时保留每层特征图的语义层次结构,首先通过插值或池化将所有特征图调整为中间大小(例如 A4 的大小)。因此,对于尺寸小于中间尺寸的特征图(Al),fresize表示上采样,对于尺寸大于中间尺寸的特征图,fresize表示下采样。之后,将每个层特征图的大小调整为其原始大小。
注:本文仅用于学术分享,如有侵权,请联系后台作删文处理。
最后:
如果你想要进一步了解更多的相关知识,可以关注下面公众号联系~会不定期发布相关设计内容包括但不限于如下内容:信号处理、通信仿真、算法设计、matlab appdesigner,gui设计、simulink仿真......希望能帮到你!