MwdpNet:旨在提高高分辨率遥感图像中微小目标的识别精度
Dongling Ma1, Baoze Liu2, Qingji Huang2
1School of Surveying and Geo-Informatics, Shandong Jianzhu University, Jinan, 250101, China. mdling2003@sdjzu.edu.cn.
Scientific reports
|August 24, 2023
概括
一个新的深度学习模型,MwdpNet,在高分辨率遥感 (HRS) 图像中增强了微小目标检测. 这种方法显著提高了准确性,超过了关键小物体识别的现有算法.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 人工智能的人工智能
背景情况:
- 在高分辨率遥感 (HRS) 图像中准确识别微小目标是具有挑战性的.
- 现有的对象检测算法经常与小规模的特征和复杂的背景作斗争.
研究的目的:
- 开发一种新的深度学习模型,MwdpNet,用于在HRS图像中改进微小目标检测.
- 增强特征表示和融合策略,以更好地识别小物体.
主要方法:
- 提出了一个多层加权深度感知网络 (MwdpNet),结合S-Darknet53骨干.
- 引入了一个深度感知模块 (DPModule) 用于高级语义信息和一个道注意力指导模块 (CAGM) 用于规模特定的功能增强.
- 利用多层次的特征加权聚变策略来利用浅层特征信息.
主要成果:
- 在四个不同的数据集上,MwdpNet实现了高平均平均精度 (mAP) 评分:87.0%,89.2%,78.3%和76.0%.
- 拟议的模型在微小目标检测方面超过了九个主流物体检测算法.
- 对于小物体来说,已证明提高了回忆率和高效的候选区域生成.
结论:
- MwdpNet提供了一种有效的策略,用于检测HRS图像中的微小目标.
- 新型网络架构和功能融合技术显著提高了检测准确度.
- 这项研究为需要在遥感数据中精确识别小物体的应用提供了有价值的工具.
