基于多尺度分层残差网络的光学遥感图像微小目标检测

作     者：曾祥津 刘耿焕 陈建明 豆嘉真 任振波 邸江磊 秦玉文 ZENG Xiangjin;LIU Genghuan;CHEN Jianming;DOU Jiazhen;REN Zhenbo;DI Jianglei;QIN Yuwen

作者机构：广东工业大学信息工程学院通感融合光子技术教育部重点实验室广东省信息光子技术重点实验室先进光子技术研究院广州510006 南方海洋科学与工程广东省实验室(珠海)珠海519082 西北工业大学物理科学与技术学院光场调控与信息感知工业和信息化部重点实验室陕西省光信息技术重点实验室西安710129 

出 版 物：《光子学报》 (Acta Photonica Sinica)

年 卷 期：2024年第53卷第8期

页      面：247-259页

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：国家自然科学基金(Nos.62075183,62275218) 广东省“珠江人才计划”引进创新创业团队(Nos.2021ZT09X044,2019ZT08X340) 中央高校基本科研业务费专项资金(No.D5000230117) 

主　　题：光学遥感图像 微小目标检测 深度学习 多尺度 卷积神经网络 

摘      要：针对光学遥感图像中微小目标空间分辨率低、有效特征不足等问题,在YOLOv5检测算法基础上,提出一种基于多尺度分层残差网络的光学遥感图像微小目标检测方法。设计了一种简单高效的多尺度分层残差特征提取模块,可在更细粒度水平上获得更丰富的感受野,强化神经网络的特征提取能力,进一步提升微小目标特征丰富度。在此基础上,进一步优化损失函数中的定位损失项,通过增加距离惩罚提升检测算法对微小目标的定位能力。在光学遥感微小目标检测数据集AI-TODv2和微小行人检测数据集TinyPerson上开展了系统对比实验,实验结果表明所提出算法相较于基准YOLOv5算法平均精度分别提升了5.5%和1.8%,有效提高了微小目标检测的召回率和准确率。