- 标题
- 摘要
- 关键词
- 实验方案
- 产品
-
用于超高分辨率遥感图像目标检测的多尺度视觉注意力网络
摘要： 目标检测在遥感应用中发挥着重要作用。近年来，深度卷积神经网络模型被用于自动提取特征、生成区域提议并预测相应物体类别。然而，这些模型在甚高分辨率（VHR）遥感图像中面临新挑战，包括方向与尺度变化以及背景杂乱等问题。本文提出一种端到端多尺度视觉注意力网络（MS-VANs）方法，采用跳跃连接的编码器-解码器模型从全尺寸图像中提取多尺度特征。针对每个尺度的特征图，我们学习一个视觉注意力网络，其后连接分类分支和回归分支，从而突出物体区域特征并抑制杂乱背景。通过由注意力损失、分类损失和回归损失加权求和构成的混合损失函数来训练MS-VANs模型。在由航拍图像目标检测数据集和NWPU VHR-10数据集组成的混合数据集上的实验表明，该方法优于多种现有先进方法。
关键词： 目标检测，高分辨率遥感图像，视觉注意力，多尺度特征
更新于2025-09-23 15:21:21
-
[IEEE IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 瓦伦西亚（2018年7月22日-7月27日）] IGARSS 2018 - 2018年IEEE国际地球科学与遥感研讨会 - 基于微调VGG深度网络的高分辨率遥感图像分类
摘要： 深度卷积网络在遥感（RS）图像分类中表现优异。通常，遥感分类任务中难以获取大量标注样本。传统上，遥感图像的获取方式与数码相机提供的照片存在显著差异。然而，高分辨率（HR）遥感图像（通常含RGB三通道）的成像系统与数码相机提供的图像较为相似。本文提出一种基于深度神经网络的迁移学习算法，以解决遥感样本标注不足的问题——特别是针对预训练深度卷积网络（即VGGNet）的应用场景。该VGGNet通过"ImageNet大规模视觉识别挑战赛"（ILSVRC）提供的标注多媒体图像进行训练。本策略采用VGGNet作为基础分类器，随后利用标注的遥感数据样本，通过反向传播算法对16层VGG深度神经网络的深层隐藏层进行微调。该方法命名为RS-VGGNet。我们使用美国国家农业影像计划（NAIP）数据集获取的真实高分辨率遥感图像验证了RS-VGGNet，实验结果表明：相较于原始VGGNet和浅层机器学习方法，RS-VGGNet能获得更高准确率，同时显著减少了训练时间和计算负担。
关键词： 迁移学习，高分辨率遥感图像，微调VGGNet，深度神经网络
更新于2025-09-10 09:29:36