.png){kind=icon}
返回
Adaptive Feature Separation Network for Remote Sensing Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2024.3454355.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
随着遥感技术的发展，遥感目标检测在各个领域得到了广泛的应用，但仍然面临着一些棘手的挑战，如: 1) 遥感图像中目标尺度变化的复杂性使得小目标检测的性能难以提高; 2) 遥感图像背景复杂，小弱目标密集排列，存在严重的特征干扰问题。为了缓解这些挑战，我们提出了一种称为AFSNet的端到端自适应特征分离网络，该网络包括一个比例感知模块 (SAM) 和一个类别感知模块 (CAM)。SAM主要使不同分辨率的特征图能够检测不同尺度的对象。浅层特征图主要抑制其包含的大物体的特征以专注于小物体检测，而深层特征图则增加其包含的大物体的细节特征以专注于大物体检测。CAM主要用于按类别区分特征图中的特征，将不同类别的特征分离到不同的通道中，从而减轻类间特征干扰的问题，并阻止背景干扰。本文的有效性已在NWPU VHR-10、ipiu-m、DIOR和DOTA2.0数据集上得到证明。它可以广泛应用于民用，军事和其他领域。通过实验验证，我们的AFSNet在NWPU VHR-10数据集上实现了97.70% 映射，在DIOR数据集上实现了78.9% 映射，在DOTA2.0数据集上实现了58.22% 映射。我们的代码是可用的: https://github.com/Xidian-AIGroup190726/AFSNet。
Keyword:
Feature extraction
Remote sensing
Object detection
Interference
Noise reduction
Noise
Data mining
Deep learning
feature influence
multiscale
object detection
remote sensing images
small and weak objects
期刊
IF:
8.6
论文数:
2.1W
被引数:
10.7W
机构
引用论文
.png){kind=icon}
Distilling Knowledge From Super-Resolution for Efficient Remote Sensing Salient Object Detection从超分辨率中提取知识以进行有效的遥感显着目标检测
PREAI
分享收藏Multiscale Convolutional Neural Networks for Geospatial Object Detection in VHR Satellite Images用于VHR卫星图像中地理空间目标检测的多尺度卷积神经网络
PREAI
分享收藏Feature Super-Resolution Fusion With Cross-Scale Distillation for Small-Object Detection in Optical Remote Sensing Images用于光学遥感图像小目标检测的跨尺度特征超分辨率融合
PREAI
分享收藏分享收藏
查看更多内容