复杂背景下遥感图像密集目标检测

遥感图像中的目标排列密集,常见的检测算法难以较好地区分密集目标,同时目标所处背景复杂,导致在模型生成的特征图中,存在高响应的背景噪声,容易带来错误的检测结果。针对上述问题,在CenterNet算法基础上,提出一种改进权重分配的目标检测算法。在计算热力图损失的过程中,设计一种改进权重分配策略,加大目标边缘区域回传的损失,促进网络对密集目标边缘的学习,减少算法将密集目标认定为单个目标的概率;在CenterNet网络结构中,添加语义分割模块,让网络模型学习每一个目标的分割图,通过分割图抑制特征图中高响应的背景噪声。在DOTA数据集上进行实验,改进算法均值平均精度(mAP)达到68.56%,优于其他方法,和原CenterNet算法相比,mAP提升了6.53个百分点。实验结果表明,改进的CenterNet算法能更好地适应复杂背景下的密集目标检测。