Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector

CHEN Xin; WAN Min-jie; MA Chao; CHEN Qian; GU Guo-hua

doi:10.37188/OPE.20212911.2672

您当前的位置：

首页 >

文章列表页 >

Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector

Information Sciences | 更新时间：2026-09-12

- Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector
- Optics and Precision Engineering Vol. 29, Issue 11, Pages: 2672-2682(2021)
- 作者机构：
  
  1.南京理工大学电子工程与光电技术学院，江苏南京 210094
  2.南京理工大学江苏省光谱成像与智能感知重点实验室，江苏南京 210094
- 作者简介：
- 基金信息：
- DOI：10.37188/OPE.20212911.2672
  CLC： TP751
- Received：27 March 2021，
  
  Revised：2021-04-16，
  
  Published：15 November 2021
- 稿件说明：
移动端阅览
陈欣,万敏杰,马超等.采用多尺度特征融合SSD的遥感图像小目标检测[J].光学精密工程,2021,29(11):2672-2682.

CHEN Xin,WAN Min-jie,MA Chao,et al.Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector[J].Optics and Precision Engineering,2021,29(11):2672-2682.
陈欣,万敏杰,马超等.采用多尺度特征融合SSD的遥感图像小目标检测[J].光学精密工程,2021,29(11):2672-2682. DOI： 10.37188/OPE.20212911.2672.

CHEN Xin,WAN Min-jie,MA Chao,et al.Recognition of small targets in remote sensing image using multi-scale feature fusion-based shot multi-box detector[J].Optics and Precision Engineering,2021,29(11):2672-2682. DOI： 10.37188/OPE.20212911.2672.

摘要

针对复杂背景下遥感小目标的检测问题，提出了一种改进型多尺度特征融合SSD方法。设计了一种特征图融合机制，将分辨率高的浅层特征图与具有丰富语义信息的深层特征图进行融合，并在特征图间构建特征金字塔，对小目标特征进行增强。然后，引入通道注意力模块，通过构建权重参数空间，将注意力集中在关注目标区域的通道，以减小背景干扰。最后，对先验框相对于原图的比例进行了调整，使它能够更好地适应遥感小目标尺度。利用采集的遥感飞机图像数据集对方法性能进行定性和定量测试。结果表明：改进方法的检测精度相较SSD提高了4.3%，并能够适应复杂场景下的遥感多尺度目标检测任务，降低小目标的漏检率。

Abstract

For the detection of small remote sensing targets with complex backgrounds， an improved multi-scale feature fusion-based single shot multi-box detector （SSD） method was proposed. First， a feature map fusion mechanism was designed to fuse the shallow high-resolution feature maps and deep feature maps with rich semantic information， after which feature pyramids were built between the feature maps to enhance small target features. Subsequently， the channel attention module was introduced to overcome the background interference by constructing a weight parameter space to provide more attention to the channels that focus on the target region. Finally， the scale between the priori box and the original map was adjusted to better fit the small remote sensing target scale. Qualitative and quantitative tests based on image datasets from a remote sensing aircraft were then performed， with the results showing that the proposed method improves the detection accuracy by 4.3% when compared with the SSD method and can adapt to complex multi-scale remote sensing target detection tasks without reducing the detection rate for small targets.

关键词

Keywords

references

范丽丽，赵宏伟，赵浩宇，等 . 基于深度卷积神经网络的目标检测研究综述［J］. 光学精密工程， 2020 ， 28 （ 5 ）： 1152 - 1164 .

FAN L L ， ZHAO H W ， ZHAO H Y ， et al . Survey of target detection based on deep convolutional neural networks ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 5 ）： 1152 - 1164 . （in Chinese）

方路平，何杭江，周国民 . 目标检测算法研究综述［J］. 计算机工程与应用， 2018 ， 54 （ 13 ）： 11 - 18， 33 .

FANG L P ， HE H J ， ZHOU G M . Research overview of object detection methods ［J］. Computer Engineering and Applications ， 2018 ， 54 （ 13 ）： 11 - 18， 33 . （in Chinese）

徐胜军，欧阳朴衍，郭学源，等 . 多尺度特征融合空洞卷积 ResNet遥感图像建筑物分割［J］. 光学精密工程， 2020 ， 28 （ 7 ）： 1588 - 1599 . doi: 10.37188/ope.20202807.1588 http://dx.doi.org/10.37188/ope.20202807.1588

XU S J ， OUYANG P Y ， GUO X Y ， et al . Building segmentation in remote sensing image based on multiscale-feature fusion dilated convolution resnet ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 7 ）： 1588 - 1599 . （in Chinese） . doi: 10.37188/ope.20202807.1588 http://dx.doi.org/10.37188/ope.20202807.1588

陈彦彤，李雨阳，吕石立，等 . 基于深度语义分割的多源遥感图像海面溢油监测［J］. 光学精密工程， 2020 ， 28 （ 5 ）： 1165 - 1176 .

CHEN Y T ， LI Y Y ， LÜ SH L ， et al . Research on oil spill monitoring of multi-source remote sensing image based on deep semantic segmentation ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 5 ）： 1165 - 1176 . （in Chinese）

REN S Q ， HE K M ， GIRSHICK R ， et al . Faster R-CNN： towards real-time object detection with region proposal networks ［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence ， 2017 ， 39 （ 6 ）： 1137 - 1149 . doi: 10.1109/tpami.2016.2577031 http://dx.doi.org/10.1109/tpami.2016.2577031

LIU W ， ANGUELOV D ， ERHAN D ， et al . SSD ： Single Shot MultiBox Detector ［M］. Computer Vision-ECCV 2016 . Cham ： Springer International Publishing ， 2016 ： 21 - 37 . doi: 10.1007/978-3-319-46448-0_2 http://dx.doi.org/10.1007/978-3-319-46448-0_2

REDMON J ， DIVVALA S ， GIRSHICK R ， et al . You only look once： unified， real-time object detection ［C］. 2016 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2730，2016 ， Las Vegas， NV， USA. IEEE ， 2016 ： 779 - 788 . doi: 10.1109/cvpr.2016.91 http://dx.doi.org/10.1109/cvpr.2016.91

王博，董登峰，周维虎，等 . 面向激光跟踪仪跟踪恢复的合作目标视觉检测［J］. 光学精密工程， 2020 ， 28 （ 2 ）： 271 - 282 .

WANG B ， DONG D F ， ZHOU W H ， et al . Visual detection of target ball for laser tracker target tracking recovery ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 2 ）： 271 - 282 . （in Chinese）

FU C Y ， LIU W ， RANGA A ， et al . DSSD： deconvolutional single shot detector ［EB/OL］. https://arxiv.org/abs/1701.06659 https://arxiv.org/abs/1701.06659 ，[ 2017-01-23 ] . doi: 10.1109/icip.2017.8296850 http://dx.doi.org/10.1109/icip.2017.8296850

LI Z X ， ZHOU F Q . FSSD： feature fusion single shot multibox detector ［EB/OL］. https://arxiv.org/abs/1712.00960v1 https://arxiv.org/abs/1712.00960v1 ，[ 2017-12-04 ] .

王建林，付雪松，黄展超，等 . 改进YOLOv2卷积神经网络的多类型合作目标检测［J］. 光学精密工程， 2020 ， 28 （ 1 ）： 251 - 260 . doi: 10.3788/ope.20202801.0251 http://dx.doi.org/10.3788/ope.20202801.0251

WANG J L ， FU X S ， HUANG ZH CH ， et al . Multi-type cooperative targets detection using improved YOLOv2 convolutional neural network ［J］. Opt. Precision Eng. ， 2020 ， 28 （ 1 ）： 251 - 260 . （in Chinese） . doi: 10.3788/ope.20202801.0251 http://dx.doi.org/10.3788/ope.20202801.0251

王俊强，李建胜，周学文，等 . 改进的SSD算法及其对遥感影像小目标检测性能的分析［J］. 光学学报， 2019 ， 39 （ 6 ）： 0628005 . doi: 10.3788/aos201939.0628005 http://dx.doi.org/10.3788/aos201939.0628005

WANG J Q ， LI J SH ， ZHOU X W ， et al . Improved SSD algorithm and its performance analysis of small target detection in remote sensing images ［J］. Acta Optica Sinica ， 2019 ， 39 （ 6 ）： 0628005 . （in Chinese） . doi: 10.3788/aos201939.0628005 http://dx.doi.org/10.3788/aos201939.0628005

LIN T Y ， DOLLÁR P ， GIRSHICK R ， et al . Feature pyramid networks for object detection ［C］. 2017 IEEE Conference on Computer Vision and Pattern Recognition （CVPR）. 2126，2017 ， Honolulu， HI， USA. IEEE ， 2017 ： 936 - 944 . doi: 10.1109/cvpr.2017.106 http://dx.doi.org/10.1109/cvpr.2017.106

姚群力，胡显，雷宏 . 基于多尺度卷积神经网络的遥感目标检测研究［J］. 光学学报， 2019 ， 39 （ 11 ）： 1128002 . doi: 10.3788/aos201939.1128002 http://dx.doi.org/10.3788/aos201939.1128002

YAO Q L ， HU X ， LEI H . Object detection in remote sensing images using multiscale convolutional neural networks ［J］. Acta Optica Sinica ， 2019 ， 39 （ 11 ）： 1128002 . （in Chinese） . doi: 10.3788/aos201939.1128002 http://dx.doi.org/10.3788/aos201939.1128002

Views

1393

下载量

CSCD

Alert me when the article has been cited

提交

Tools

Publicity Resources

OPE | Efficient detection of small targets in remote sensing images

Remote sensing image small target recognition using multi-scale feature fusion-based SSD

Underwater image enhancement network based on improved U-Net with global feature fusion

Multi-layer multi-feature adaptive weight fusion network for 3D reconstruction of objects with high-frequency information

Urban road semantic segmentation with global awareness and multi-scale feature fusion

Lightweight video super-resolution based on hybrid spatio-temporal convolution

Related Author

Xin CHEN

Min-jie WAN

Chao MA

Qian CHEN

Guo-hua GU

GAO Shaoshu

JIAO Guangsen

LI Guangfeng

Related Institution

College of Electronic and Optical Engineering， Nanjing Univ. of Science and Tech

Jiangsu Key Laboratory of Spectral Imaging and Intelligent Perception， Nanjing Univ. of Science and Tech

Qingdao Institute of Software， College of Computer Science and Technology， Shandong Key Laboratory of Intelligent Oil & Gas Industrial Software， China University of Petroleum （East China）

Petroleum Industry Training Center， China University of Petroleum （East China）

School of Instrument Science and Opto-Electronics Engineering， Hefei University of Technology

AI问答

Address：No.3888 Dong Nanhu Road, Changchun, Jilin, China Postal code：130033
Tel：0431-86176855 Email：gxjmgc@ciomp.ac.cn
Technical support is provided by Beijing Founder electronics co., LTD 吉ICP备11002662号-17 京公网安备11010802024621
It is recommended to read the content of this site in Chrome&IE9+. Please switch to extreme mode in browser 360.
Cookies We use cookies to help provide and enhance our service and tailor content. By continuing, you agree to the use of cookies.

⁰