基于旋转框表示的光学遥感图像目标检测

旋转目标检测是遥感图像智能解译的关键步骤,然而遥感图像背景复杂、目标方向具有任意性、尺度差异大,实现准确的旋转目标检测有一定的困难。提出的ERDet结合显示视觉中心,提取遥感图像的全局信息与局部信息,结合自适应阈值样本选择的水平目标检测算法和长边定义法,预测遥感图像目标的类别、位置和旋转角度。在DOTA-v1.0数据集上的实验表明,该方法能够对不同尺度和方向的目标进行准确提取,实现了对遥感目标的精准检测。

融合视觉中心机制和并行补丁感知的遥感图像检测算法

针对遥感图像存在复杂背景干扰、目标多尺度差异和微小目标提取难的问题,本文基于YOLOv7-tiny模型提出一种融合视觉中心机制和并行补丁感知的遥感图像检测算法。该算法一是引入显式视觉中心机制,构建像素点间的长距离依赖关系,丰富图像的整体语义信息,同时提升对目标纹理的提取性能;二是改进并行补丁感知模块,调整特征提取感受野,以适应不同目标尺度;三是设计多尺度特征融合模块,实现对多层特征的高效融合,提升模型推理速度。在公共数据集RSOD上进行实验,所提算法的准确率、召回率和平均准确率均值相较YOLOv7-tiny分别提升1.5%、2.4%和2.4%,此外在NWPUVHR-10和DOTA数据集上进行泛化性验证,结果表明本文算法具备较强的泛化性能。通过与不同算法对比分析,进一步体现本文算法性能的优越性。

融合显示视觉中心与注意力机制的水下目标检测算法

针对水下海洋生物检测任务存在的目标间相互遮挡、对细长型目标检测精度低、小目标众多等问题,提出一种基于YOLOv5的水下目标检测算法。该算法通过引入可变形卷积、空洞卷积和注意力机制来重新设计主干网络,增强特征提取能力,解决目标间相互遮挡和对细长型目标检测精度低的问题;同时,提出加权显示视觉中心特征金字塔模块,解决特征融合不充分问题,降低小目标漏检率;并调整YOLOv5算法的网络结构,增加融合注意力机制的小目标检测层,提升对小目标物体的检测能力。实验结果表明:改进后的YOLOv5算法在URPC数据集上的平均精度均值达87.8%,较原始YOLOv5算法提高了5.3百分点;同时检测速度保持在34 frame/s;在水下目标检测任务中能够有效提高精确度,降低漏检率和错检率。