论文部分内容阅读
遥感图像目标检测是遥感技术的重要应用,近年来在军事和民用的多个领域发挥着越来越重要的作用。最近,深度学习用于自动目标特征学习,克服了传统方法特征提取能力不足和自动化程度低等问题,在遥感图像目标检测中显示出很好的应用前景。然而,随着遥感成像技术的发展,遥感图像的分辨率不断提高,图像规模和复杂度也迅速增加,给宽幅场景下的快速目标检测提出挑战。哈希学习通过机器学习算法将数据映射为二进制码,凭借其二值计算的高效性可以有效提高计算效率,在图像检索领域应用广泛。本文面向高分辨宽幅遥感图像,将哈希学习引入双阶段深度学习目标检测算法中,从深度学习模型的结构、特征和机制三个方面,将哈希学习与深度学习相结合,提出三种快速深度哈希目标检测网络,旨在保持较高检测精度的同时提高检测速度。主要工作和创新如下:(1)针对目标在宽幅遥感图像中非密集分布的特点,提出了深度哈希辅助网络模型。在双阶段检测模型中构建哈希辅助分支,以快速判别局部区域是否为潜在目标区域,构造了协同哈希正则损失,对多支路网络进行端到端训练。一方面,哈希辅助分支具有结构简单以及高效二值计算的特点,其判别过程引入的额外计算可忽略;另一方面,哈希辅助分支可以避免检测模型在非目标区域上的大量无效计算,节省了检测时间。在IPIU、NWPU VHR-10等多个数据集上进行分析验证,实验表明:深度哈希辅助网络可以在非目标区域上的计算时间减少50.91%至59.40%不等,检测结果MAP也有0.48%至1.99%的提升,验证了网络的有效性与高效性。(2)为了进一步提升目标检测的速度,提出了深度判别哈希网络模型。首先简化Faster-RCNN中计算复杂度高的模型头部参数,同时降低特征维度并设计L1量化损失,以获得二值哈希特征。此外,针对参数减少带来的精度损失,设计了判别性引导的哈希损失函数训练深度判别哈希网络。在IPIU、NWPU VHR-10等数据集上进行分析验证,实验表明:与基准模型Faster-RCNN相比,该算法检测速度提高了32.85%至53.93%,同时检测结果MAP也有0.39%至1.55%的少量提升,证明了该方法的高效性与准确性。(3)针对现有检测模型中局部特征语义信息不足的问题,提出深度多重注意力哈希网络模型。在深度判别哈希网络中引入注意力机制,分别构建空间注意力与通道注意力模块。一方面,通过空间注意力模块对局部特征引入上下文信息增强其语义表征,同时抑制遥感图像中复杂的背景干扰;另一方面,通过通道注意力模块自适应的增强有益特征,抑制无用特征,以此提升检测精度。在IPIU、NWPU VHR-10等数据集上进行分析验证,实验表明:与深度判别哈希网络相比,该算法检测结果MAP提升了1.50%至3.33%不等。