文獻標識碼： A
DOI： 10.20044/j.csdg.2097-1788.2022.03.011
引用格式： 尹法林，王天一. 注意力特征融合SSD算法對遙感圖像的目標檢測[J].網絡安全與數據治理，2022，41(3)：67-73.
0 引言
近年來衛星遙感技術在自然災害救助和高空目標偵察等方面得到廣泛的應用，成為軍事偵察、海洋勘測等領域不可缺少的工具[1-3]。氣候、光照等自然條件的影響，使得識別遙感圖像中的目標有很多困難。因此，對復雜場景下的遙感圖像目標檢測識別的研究具有重要的價值[4-5]。
隨著深度學習[6]在計算機視覺領域的發展，使用卷積神經網絡[7-8]對圖像中的目標進行識別已經成為研究的熱門課題。2012年AlexNet[8]網絡在ImageNet圖像分類比賽中成績突出，從此出現了以深度卷積神經網絡為基礎的目標檢測算法。之后出現的雙階段目標檢測算法Fast R-CNN[9]、Faster R-CNN[10]等進一步提高了檢測的精度，但是檢測速度很慢。2016年Redmon等在CVPR會議上提出統一實時目標檢測算法YOLO[11]，該算法利用回歸得到邊界框和類別概率，在檢測速度上有明顯的提升，但是檢測精度偏低。同年，Liu等在ECCV會議上提出了多尺度單發射擊檢測算法SSD[12]，該算法通過用不同尺度的特征圖來提取特征，在滿足實時性的同時，提高了檢測精度。
針對小目標檢測的準確率不高，文獻[13]提出了自注意力特征融合模塊。遙感數據集中基本都是小目標物體，而小目標物體主要以淺層特征圖來檢測[14]，因此對SSD算法網絡中的淺層特征圖進行融合，可提高目標檢測的準確性；針對訓練過程中正負樣本失衡導致的模型退化問題，采用聚焦分類損失函數(focal classification loss)[15-16]對原始的損失函數進行優化。本文在原始SSD算法的基礎上，提出了注意力特征融合SSD(Attention Feature Fusion SSD，AFF-SSD)算法，以提升對遙感圖像目標檢測的平均準確率。
本文詳細內容請下載：http://m.jysgc.com/resource/share/2000004908
作者信息：
尹法林，王天一
(貴州大學 大數據與信息工程學院，貴州 貴陽550025)
