低分辨率遥感物体检测,具有细粒度增强和swin变压器
Zhijing Xu1, Xin Wang2, Kan Huang1
1College of Information Engineering, Shanghai Maritime University, Shanghai, 201306, China.
Scientific reports
|July 7, 2025
概括
这项研究引入了遥感图像中对象检测的新框架,提高了小型和密集目标的精度. 细粒度增强下采样网络 (FEDNet) 和基于Swin变压器的渐进聚合网络 (STPANet) 增强了特征表示和融合.
科学领域:
- 计算机视觉 计算机视觉
- 遥感 遥感 遥感 遥感
- 机器学习 机器学习
背景情况:
- 在遥感图像中对象检测是具有挑战性的,因为小,密集的目标和尺度变化.
- 现有的算法在这些场景中难以处理精细细节和多尺度对象表示.
- 低分辨率条件进一步加剧了检测困难.
研究的目的:
- 开发一种新的物体检测框架,解决遥感图像分析的局限性.
- 为了增强检测小,密集包装,和多尺度的物体.
- 提高总体检测准确性和效率,特别是在低分辨率条件下.
主要方法:
- 引入了精细粒度增强下方采样网络 (FEDNet),用于在特征提取过程中保存目标信息.
- 开发了基于Swin变压器的渐进聚合网络 (STPANet),用于先进的多尺度特征融合和上下文理解.
- 整合了Shape-IoU损失函数以优化界限框回归以提高小目标精度.
主要成果:
- 在DOTA数据集上实现了最先进的性能,平均平均精度 (mAP@50) 为69.9%.
- 在DIOR数据集上表现出卓越的结果,达到85.5%的mAP@50.
- 提出的方法在检测小目标和处理低分辨率图像方面取得了显著的改进.
结论:
- 新的检测框架有效地克服了远程传感物体检测的关键挑战.
- FEDNet和STPANet的集成提供了强大的特征表示和多尺度融合能力.
- 形状-IoU损失函数增强了界限框回归精度,特别是在小物体.
