基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测.pdf

"基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测" 这篇论文提出了一种基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测方法，旨在解决当前检测方法中的问题，如低准确性、复杂背景和密集飞机区域，尤其是小尺度飞机。该方法名为MultDet，基于单镜头多盒检测器（SSD），使用轻量级基线网络来提取多尺度特征，以提高特征提取能力。为了获得更丰富的表示能力，设计了多尺度去卷积特征融合块，通过去卷积融合块将高级特征与低级特征结合起来。 1. 卷积神经网络（Convolutional Neural Networks，CNNs） 卷积神经网络是深度学习中的一种重要算法，广泛应用于图像识别、目标检测、图像分类等领域。CNNs由多层神经网络组成，每层神经网络都包含卷积层、池化层和激活函数。卷积层对输入图像进行卷积操作，池化层对特征图进行下采样，而激活函数则将输出结果映射到非线性空间中。 2. 多尺度融合特征（Multi-Scale Feature Fusion） 多尺度融合特征是指将不同尺度的特征图融合起来，以提高特征表示能力。在本文中，使用多尺度去卷积特征融合块来融合高级特征和低级特征，以便更好地描述飞机目标。 3. 单镜头多盒检测器（Single Shot MultiBox Detector，SSD） SSD是一种常用的目标检测算法，能够快速检测图像中的目标。SSD使用单个神经网络来预测所有default boxes，然后对其进行非极大值抑制来生成最终的检测结果。 4. 特征提取（Feature Extraction） 特征提取是指从图像中提取有用的特征信息，以便更好地描述图像内容。在本文中，使用轻量级基线网络来提取多尺度特征，以提高特征提取能力。 5. 去卷积特征融合块（Deconvolution Feature Fusion Block） 去卷积特征融合块是一种特殊的神经网络模块，用于融合高级特征和低级特征，以提高特征表示能力。在本文中，使用去卷积特征融合块来融合高级特征和低级特征，以便更好地描述飞机目标。 6. 飞机目标检测（Aircraft Detection） 飞机目标检测是指在遥感图像中检测飞机目标的任务。该任务具有重要的应用价值，如监控军事基地、机场等敏感地区。当前的检测方法存在一些问题，如低准确性、复杂背景和密集飞机区域，尤其是小尺度飞机。 7. UCAS-AOD数据集（UCAS-Aerial Object Detection Dataset） UCAS-AOD是遥感图像数据集，包含多种类型的飞机目标和复杂背景。该数据集广泛应用于飞机目标检测任务的评估和验证。 8. Average Precision（AP） Average Precision是指检测算法的平均精度，以百分比表示。AP越高，表示检测算法的性能越好。在本文中，MultDet方法达到了94.8%的AP。