遥感影像目标检测多尺度熵神经网络架构搜索
Multi-scale entropy neural architecture search for object detection in remote sensing images作者机构：兰州交通大学测绘与地理信息学院甘肃兰州730070 兰州交通大学电子与信息工程学院甘肃兰州730070 挪威科技大学土木与环境工程学院挪威特隆赫姆7491
出 版 物：《测绘学报》 (Acta Geodaetica et Cartographica Sinica)
年 卷 期：2024年第53卷第7期
页 面：1384-1400页
核心收录：
学科分类：0810[工学-信息与通信工程] 083002[工学-环境工程] 0830[工学-环境科学与工程（可授工学、理学、农学学位）] 081802[工学-地球探测与信息技术] 08[工学] 0818[工学-地质资源与地质工程] 081602[工学-摄影测量与遥感] 0816[工学-测绘科学与技术] 081002[工学-信号与信息处理] 0811[工学-控制科学与工程]
主 题：遥感影像 神经网络架构搜索 目标检测 特征分离卷积 最大熵 多尺度熵 渐进式进化
摘 要：针对传统神经网络架构搜索需要耗费大量时间用于超网训练,搜索效率较低,搜索得到的模型无法高效解决遥感影像中多尺度目标检测困难、背景复杂度高的问题,本文提出采用多尺度熵神经网络架构搜索的方法进行遥感影像目标检测。首先,在搜索空间的基础模块中加入特征分离卷积以代替残差模块中的常规卷积,减少遥感影像中由于背景复杂度高而造成的信息间干扰,提高网络模型在复杂背景下的检测性能;然后,引入最大熵原理,计算搜索空间中每个候选网络的多尺度熵,将多尺度熵与特征金字塔网络相结合,以兼顾遥感影像大、中、小目标的检测;最后,在不进行参数训练的情况下利用渐进式进化算法搜索得到多尺度熵最大的网络模型用于目标检测任务,在保证模型检测精度的同时,提升网络搜索效率。本文方法在RSOD、DIOR和DOTA数据集上的平均检测精度均值分别达到93.1%、75.5%和73.6%,网络搜索时间为8.1 h。试验结果表明,与当前基准方法相比,本文方法能够显著提升网络的搜索效率,在目标检测任务中更好地结合了不同尺度下的特征并解决了影像背景复杂度高的问题。
维普期刊数据库
同方期刊数据库