基于改进YOLOX的遥感图像目标检测

为解决遥感图像目标检测中存在的密集小目标易被漏检以及结构复杂目标检测精度低等问题,设计了一种基于YOLOX的检测器.首先,构建一种基于全局平均池化金字塔结构的注意力网络(convolutional block spatial net,CBSPNet),并将CBSPNet插入锚点优化空洞卷积改进的残差块内,以增强特征的提取能力和优化对目标边缘的检测;其次,在主干网络中新增一个浅层的输出尺度,使得网络对小目标更为敏感;最后,引入跳跃连接构建优化的特征融合网络,提高特征在多尺度空间中的融合能力.实验结果表明:改进的YOLOX模型(R-YOLOX)对遥感密集小目标和不规则大目标均具有良好的检测性能,在多场景的检测任务中展现了较强的鲁棒性;R-YOLOX网络在RSOD遥感图像数据集上的平均检测精度较YOLOX提高了1.15%,且检测速率达31帧·s^(-1),满足实时检测的要求.

基于改进型Deeplabv3的城市道路图像语义分割

传统深度学习语义分割算法中存在特征细节信息丢失以及像素关联度降低的问题,导致图像边缘出现误分割、分割边界不连续。由此在复用底层特征以及捕获多尺度语义信息的基础上提出一种改进型DeepLabv3图像语义分割算法。依据底层特征有助于还原图像细节,构建轻量级并行卷积神经网络(CNN)处理残差网络浅层输出的特征图,获取更多图像空间信息;采用像素级特征融合将获取的图像空间信息与深层网络特征进行融合,并利用金字塔池化模块获取融合特征图的多尺度语义信息;然后利用双线性插值获取图像分割结果。实验结果表明,所提方法可以有效改善语义分割中出现的误分割、分割边界不连续的现象。