数据驱动的双向空间自适应网络,用于远程传感图像中的弱监控对象检测

科学领域:

• 计算机科学 计算机科学
• 遥感 遥感 遥感 遥感
• 人工智能的人工智能

背景情况:

• 遥感图像 (RSI) 中的弱监控物体检测 (WSOD) 方法在小规模的实例,罕见的姿势和拥挤的场景中扎.
• 当前的WSOD方法往往忽略了有价值的候选提案,仅专注于得分最高的地区.

研究的目的:

• 为RSI开发一个先进的WSOD网络,以减轻规模,姿势变化和拥挤场景所带来的挑战.
• 通过解决现有方法的局限性来改善整个实例的挖掘和增强特征学习.

主要方法:

• 提出了一种数据驱动的双向空间适应性网络 (BSANet),其中包含一个前向逆向空间脱落 (FRSD) 模块.
• FRSD模块作为数据驱动的硬注意力机制,以适应性取样和重建空间区域来发现潜在的特征.
• 引入一个软注意力分支来模拟像素级和区域级的注意力,利用互补的好处.

主要成果:

• 拟议的BSANet有效地减少了极端尺度,姿势和拥挤场景引起的实例模糊性.
• 对NWPU VHR-10.v2和DIOR数据集的实验结果显示,检测性能显著改善.
• 该方法在具有挑战性的遥感物体检测基准上取得了新的最先进的结果.

结论:

• BSANet为远程传感图像中的弱监督物体检测提供了一个强大的解决方案.
• 双向空间适应和结合软硬注意力机制的整合提高了检测具有挑战性的物体的能力.
• 这项工作通过设定新的性能基准,推进了遥感中WSOD领域的发展.