《电子技术应用》
您所在的位置：首页 > 其他 > 设计应用 > 注意力特征融合SSD算法对遥感图像的目标检测
注意力特征融合SSD算法对遥感图像的目标检测
网络安全与数据治理 3期
尹法林，王天一
(贵州大学 大数据与信息工程学院，贵州 贵阳550025)
摘要： 针对多尺度单发射击检测(Single Shot MultiBox Detector，SSD)算法对小目标物体检测效果不佳的问题，提出注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法。首先，为了提升网络对小目标物体的检测性能，使用注意力特征融合模块对浅层特征图中的特征信息融合，在降低噪声的同时增强特征图中远距离像素的相关性；其次，针对训练过程中正负样本失衡导致的模型退化问题，结合聚焦分类损失函数对SSD算法中的损失函数优化;最后，引入迁移学习解决因训练数据较少导致的过拟合问题。实验结果表明，与SSD算法相比，AFF-SSD算法平均准确率均值提高8.09%，经过迁移学习后，AFF-SSD算法平均准确率均值提高3.47%。
中图分类号： TP389
文献标识码： A
DOI： 10.20044/j.csdg.2097-1788.2022.03.011
引用格式： 尹法林，王天一. 注意力特征融合SSD算法对遥感图像的目标检测[J].网络安全与数据治理，2022，41(3)：67-73.
Target detection of remote sensing image based on attention feature fusion SSD algorithm
Yin Falin，Wang Tianyi
(College of Big Data and Information Engineering，Guizhou University，Guiyang 550025，China)
Abstract： Aiming at the problem that the single shot multibox detector(SSD) algorithm is not effective for small target object detection, an attention feature fusion SSD(AFF-SSD) algorithm is proposed. Firstly, in order to improve the detection performance of the network for small target objects, the attention feature fusion module is used to fuse the feature information in the shallow feature map, which reduces the noise and enhances the correlation of distant pixels in the feature map. Secondly, for the model degradation caused by the imbalance between positive and negative samples in the training process，combined with the focus classification loss function, the loss function in the SSD algorithm is optimized. Finally, transfer learning is introduced to solve the problem of overfitting caused by less training data. The experimental results show that the average accuracy of the AFF-SSD algorithm is increased by 8.09% compared with the SSD algorithm. After the migration, the average accuracy of the AFF-SSD algorithm is increased by 3.47%.
Key words : remote sensing image；target recognition；attention feature fusion；loss function；transfer learning

0 引言

近年来卫星遥感技术在自然灾害救助和高空目标侦察等方面得到广泛的应用，成为军事侦察、海洋勘测等领域不可缺少的工具[1-3]。气候、光照等自然条件的影响，使得识别遥感图像中的目标有很多困难。因此，对复杂场景下的遥感图像目标检测识别的研究具有重要的价值[4-5]。

随着深度学习[6]在计算机视觉领域的发展，使用卷积神经网络[7-8]对图像中的目标进行识别已经成为研究的热门课题。2012年AlexNet[8]网络在ImageNet图像分类比赛中成绩突出，从此出现了以深度卷积神经网络为基础的目标检测算法。之后出现的双阶段目标检测算法Fast R-CNN[9]、Faster R-CNN[10]等进一步提高了检测的精度，但是检测速度很慢。2016年Redmon等在CVPR会议上提出统一实时目标检测算法YOLO[11]，该算法利用回归得到边界框和类别概率，在检测速度上有明显的提升，但是检测精度偏低。同年，Liu等在ECCV会议上提出了多尺度单发射击检测算法SSD[12]，该算法通过用不同尺度的特征图来提取特征，在满足实时性的同时，提高了检测精度。

针对小目标检测的准确率不高，文献[13]提出了自注意力特征融合模块。遥感数据集中基本都是小目标物体，而小目标物体主要以浅层特征图来检测[14]，因此对SSD算法网络中的浅层特征图进行融合，可提高目标检测的准确性；针对训练过程中正负样本失衡导致的模型退化问题，采用聚焦分类损失函数(focal classification loss)[15-16]对原始的损失函数进行优化。本文在原始SSD算法的基础上，提出了注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法，以提升对遥感图像目标检测的平均准确率。




本文详细内容请下载：http://www.chinaaet.com/resource/share/2000004908




作者信息：

尹法林，王天一

(贵州大学 大数据与信息工程学院，贵州 贵阳550025)


微信图片_20210517164139.jpg

此内容为AET网站原创，未经授权禁止转载。

相关内容