基于感知向量的光学遥感图像舰船检测

针对光学遥感图像中近岸舰船目标检测干扰大、虚警率高的问题,在基于包围框边缘感知向量(box boundary-aware vectors,BBAVectors)检测网络的基础上提出了改进方法。首先在特征融合网络后加入一个有监督的注意力模块来增强目标区域信息,削弱无关背景信息干扰;然后利用边界感知向量间的几何关系设计了一个自监督损失函数,用以加强向量间的耦合关系,防止向量独立性导致包围框出现不规则形状。实验结果显示,在HRSC2016数据集L_(2)级检测任务中,改进模型检测结果的平均精度相较于原网络提高了6.91%,有效抑制了背景噪声的干扰,降低了近岸舰船目标检测的虚警率,证明了改进方法的有效性。

基于特征增强的光学遥感图像舰船目标检测算法

针对光学遥感图像背景复杂、特征提取难度高导致舰船检测精度低的问题,基于包围框边缘感知向量(box boundary-aware vectors,BBAVectors)网络,提出了一种特征增强的遥感舰船检测算法。为适应舰船的多尺度特性,利用最大池化和空洞卷积构建了增强型感受野模块(enhanced receptive file block,ERFB),增加模型感受野,同时提高对小尺度目标的特征提取能力;为提高各层特征的利用率,设计了一个自适应特征融合模块(adaptive feature fusion module,AFFM),在丰富特征的同时,突出相对重要的特征。在公开数据集HRSC2016和自建数据集RS-Ship上进行实验,与原始BBAVectors相比,所提方法的AP值分别提高了5.68%和7.84%,有效提高了舰船检测的准确率;与其他方法相比,所提方法在精度上表现优异,并拥有较强的鲁棒性。