.png){kind=icon}
返回
Feature Split-Merge-Enhancement Network for Remote Sensing Object Detection
.png){kind=icon}
PRE
AI
DOI：10.1109/TGRS.2022.3140856.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
目前，高分辨率遥感图像中的多类别目标检测仍然是一个挑战。首先，具有显著尺度差异的物体同时存在于一个场景中，因此检测器通常难以平衡大小物体的检测性能。其次，由于遥感图像背景的复杂性和目标的密集分布特征，提取的特征通常存在噪声和边界模糊，这干扰了目标检测器的检测性能。通过这种观察，我们提出了一种用于遥感目标检测的端到端尺度感知网络，称为特征分裂合并增强网络 (sme-net)，该网络由特征分裂合并 (FSM) 模块，偏移误差校正 (OER) 模块，和对象显著性增强 (OSE) 策略。FSM消除了大对象的显着信息，以突出浅层特征图中小对象的特征。它还将大对象的有效详细特征传输到深度特征图，从而减轻了多尺度对象之间的特征混淆。OER通过提出的偏移损失来纠正多层特征图之间特征空间布局的不一致，从而实现FSM中的监督消除和传输。OSE通过提出的隶属函数增强了兴趣特征并抑制了背景信息，从而防止了由噪声和模糊边界引起的错误检测和漏检。在多个数据集上验证了该算法的有效性。我们的代码可在: https://github.com/Momuli/SMENet.git
Keyword:
Feature extraction
Object detection
Remote sensing
Detectors
Semantics
Layout
Deep learning
Deep learning
feature enhancement
multiscale objects
object detection
remote sensing images
期刊
IF:
8.6
论文数:
2.2W
被引数:
10.7W
机构
引用论文
Thermal comfort, perceived air quality, and cognitive performance when personally controlled air movement is used by tropically acclimatized persons当热带适应的人使用个人控制的空气运动时，热舒适性，感知的空气质量和认知表现.png)
Indoor Air
OAAI
Indoor AirIF0
OAAI分享收藏Object detection in optical remote sensing images: A survey and a new benchmark光学遥感图像中的目标检测: 调查和新基准OAAI
OAAI分享收藏A light and faster regional convolutional neural network for object detection in optical remote sensing images一种用于光学遥感图像目标检测的轻快区域卷积神经网络
PREAI
分享收藏
查看更多内容