Multi-Scale Oriented Object Detection With Focus Error Ellipse Loss

doi:10.1109/TGRS.2025.3618618

Multi-Scale Oriented Object Detection With Focus Error Ellipse Loss

2025-01-01

0

PRE

AI

DOI：10.1109/TGRS.2025.3618618

原文链接

原文求助

摘要

En 中文

损失函数和特征提取框架是算法设计的关键部分，对遥感图像中目标朝向检测的精度有显著影响。尽管已取得显著进展，但仍存在待探索的挑战，例如目标尺度变化大、朝向任意以及密集分布等问题，这些问题可能导致不良影响，如目标位置回归不准确、虚警率高和漏检率高等。为解决上述问题，我们提出了一种聚焦误差椭圆（FEE）损失函数。该函数通过基于误差椭圆缩小标注与预测边界框中心点之间的距离，从而提升检测精度。在网络部分，我们精心设计了两个单元模块：一个细粒度与上下文增强模块（FCM）和一个语义信息重组模块（SIRM）。FCM将细粒度信息与上下文信息对齐，以建立局部特征与全局特征之间的依赖关系，这有助于获取更全面的目标特征。SIRM在通道维度上重新组织获取的深层语义特征，增强对任务有益的语义信息的权重，并进一步推导出目标检测特征子集的最优组合方法。基于上述工作，我们开发了一个目标朝向检测框架，该框架进一步提升了长宽比大目标和密集场景下的检测精度。实验结果表明，与其它当前最优模型相比，所提出的方法在目标朝向检测方面能够产生具有竞争力的性能。

Keyword:

Fine-grained and context-augmented module (FCM)

focus error ellipse (FEE)

multi-scale objects

oriented object detection

remote sensing

Multi-Scale Oriented Object Detection With Focus Error Ellipse Loss

摘要

期刊

机构

引用论文