.png){kind=icon}
返回
Self-Supervised Feature Contrastive Learning for Small Weak Object Detection in Remote Sensing
.png){kind=icon}
OA
AI
DOI：10.3390/rs17081438.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
尽管遥感目标检测技术取得了进展，但精确识别微小、弱小目标仍具挑战性。它们有限的像素表征往往无法捕捉显著特征，易受环境干扰影响。现有检测器常遗漏这些细微特征变化。为应对这些挑战，我们提出FCDet，一种基于特征对比的微小、弱小目标检测器。我们的方法引入：(1) 一种空间引导特征上采样器（SGFU），通过基于空间分布的自适应采样对齐特征，从而在特征聚合时实现精细对齐；(2) 一种特征对比头（FCH），将GT和RoI特征投影至嵌入空间以进行判别学习；以及(3) 一种实例控制的标签分配（ICLA）策略，用于优化样本选择以支持特征对比学习。我们在具有挑战性的数据集上进行了全面实验，所提方法在DIOR上达到73.89%的mAP，在NWPU VHR-10上达到95.04%的mAP，在AI-TOD上达到26.4%的AP，验证了其有效性与卓越性能。
Keyword:
remote sensing
object detection
small weak object
contrastive learning
feature alignment
期刊
IF:
4.1
论文数:
7.3K
被引数:
15.1W
机构
暂无机构信息
引用论文
Global to Local: A Scale-Aware Network for Remote Sensing Object Detection全局到本地: 用于遥感目标检测的尺度感知网络
.png){kind=icon}
PREAI
分享收藏CRPN-SFNet: A High-Performance Object Detector on Large-Scale Remote Sensing ImagesCrpn-sfnet: 大规模遥感图像上的高性能目标检测器
PREAI
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ChangeCLIP: Remote sensing change detection with multimodal vision-language representation learningChangeCLIP: 具有多模态视觉语言表示学习的遥感变化检测
PREAI
分享收藏
查看更多内容