結(jié)合邊緣增強與混合注意力的遙感圖像檢測

摘要：為了改善遙感圖像中目標邊緣特征模糊以及細粒度目標之間特征相似導(dǎo)致檢測精度不高的問題，提出了一種結(jié)合邊緣增強和混合注意力機制的遙感圖像檢測方法。針對目標邊緣特征模糊問題，通過反銳化掩膜（Unsharp Masking，USM）方法對遙感圖像進行增強處理，幫助模型捕獲更多邊緣特征。針對細粒度目標之間特征相似問題，在特征提取階段引入空間和通道擠壓與激勵（Spatial and Channel Squeeze & Excitation， scSE）混合注意力機制，增強目標的辨識特征。在公開的遙感圖像數(shù)據(jù)集HRSC2016上的實驗結(jié)果表明，所提方法的檢測精度達到85.15%，提高了艦船細粒度目標的檢測準確率。

關(guān)鍵詞：遙感圖像；HRSC2016；細粒度檢測；USM銳化；注意力機制

中圖分類號：TP751 文獻標識碼：A

文章編號：1009-3044（2024）19-0023-04

0 引言

隨著遙感技術(shù)的發(fā)展，遙感圖像逐漸大數(shù)據(jù)化，相應(yīng)的對遙感圖像的處理技術(shù)要求也越來越高，目標檢測也是遙感圖像處理的重要內(nèi)容之一[1]。目前，針對自然圖像的目標檢測算法已經(jīng)越來越成熟，在實際中也得到了廣泛應(yīng)用。然而，相比于自然圖像，遙感圖像的背景往往更復(fù)雜，噪聲干擾更嚴重，且呈現(xiàn)目標密集、方向任意等特點[2-3]，因此，自然圖像的目標檢測算法并不能完全適用于遙感圖像。

目前，基于深度學(xué)習(xí)的遙感圖像目標檢測主要有三種方法，即水平框目標檢測算法、改進的有向目標檢測算法和有向目標檢測算法[4-5]。一些經(jīng)典的水平框目標檢測算法已被廣泛應(yīng)用于遙感圖像目標檢測，如基于R-CNN（Girshick 等，2014） [6]的Faster R-CNN（Ren 等，2017） [7]、Mask R-CNN（He 等，2017） [8]等。然而，這些應(yīng)用存在一定的局限性，當目標的傾斜角度較大時會引入過量的背景信息，而當目標比較密集時，會出現(xiàn)特征重疊的情況。為改善這些情況，許多學(xué)者采用角度回歸的方法，將水平目標檢測算法如YOLO系列[9]和FCOS（Tian等，2019） [10]等進行改進，生成傾斜的檢測框，但這些改進方法并不能完全表現(xiàn)出目標的準確朝向。

近年來，部分學(xué)者提出了一系列針對遙感圖像目標檢測的算法，進一步改善了目標密集和方向任意的問題。如旋轉(zhuǎn)敏銳檢測器（RSDet（Qian等，2019）） [11]算法，采用調(diào)制旋轉(zhuǎn)損失函數(shù)消除損失不連續(xù)性，并將損失函數(shù)與八參數(shù)回歸相結(jié)合，改善了參數(shù)回歸不一致的問題；動態(tài)細化網(wǎng)絡(luò)（DRN（Pan等，2020）） [12]算法，使用可自適應(yīng)調(diào)整目標感受野的特征選擇模塊和動態(tài)優(yōu)化檢測頭，改善了遙感圖像中目標密集與方向任意的問題；Oriented R-CNN（Xie等，2021） [13]算法，是一種通用的雙階段定向檢測器，第一階段通過定向RPN 生成定向建議，第二階段采用定向R-CNN頭來對建議進行分類和細化空間位置，具有良好的精度和效率；ReDet（Han等，2021） [14]算法，提出了一個旋轉(zhuǎn)等變檢測器，將旋轉(zhuǎn)等變網(wǎng)絡(luò)結(jié)合到檢測器中以提取旋轉(zhuǎn)等變特征，從而準確地預(yù)測方向；Oriented RepPoints（Li 等，2022） [15]是在點集表示的RepPoints（Yang 等，2019） [16]算法的基礎(chǔ)上，引入自適應(yīng)點表示不同的方向、形狀和姿勢，不僅可以精確定位任意方向目標，還可以捕獲目標的底層幾何結(jié)構(gòu)。

盡管目前遙感圖像目標檢測算法已經(jīng)取得較好的檢測性能，但多數(shù)檢測算法在粗粒度目標檢測中表現(xiàn)較好，而在細粒度目標檢測中表現(xiàn)較差。因此，為了提高遙感圖像細粒度目標檢測精度，本文在有向目標檢測器Oriented RepPoints的基礎(chǔ)上，結(jié)合了邊緣增強方法與混合注意力機制模塊，以改善遙感圖像中目標邊緣特征模糊與細粒度目標間特征相似的問題。

1 數(shù)據(jù)集

HRSC2016（High Resolution Ship Collections 2016） 是由西北工業(yè)大學(xué)于2016年發(fā)布的一個用于科學(xué)研究的數(shù)據(jù)集。目前，HRSC2016中的所有圖像均來自谷歌地球。該數(shù)據(jù)集包含了海上艦船和近岸艦船兩種場景的圖像，總共包含1 680張圖像，其中有效標注的圖像為1 061張。圖像分辨率在0.4～2m，圖像尺寸從300×300像素到1 500×900像素不等。數(shù)據(jù)集的標注將艦船目標劃分為三個級別進行分類：一級類別為船（ship） ，二級類別包括航母（aircraft carrier） 、軍艦（warcraft） 、商船（merchant ship） 和潛艇（submarine） 。