リモートセンシング対象は大きなスケール差異を持つ。複雑な背景干渉下での細粒度レベルのマルチスケール特徴抽出困難および予測部の部分的な有効表現の弱さの問題に対し、本稿ではアンカーフレームなしの思想に基づき、多変量特徴抽出と表現最適化によるリモートセンシング多スケール対象検出手法（Multivariate Feature extraction and Characterization optimization、MFC）を提案する。特徴抽出部では、多変量特徴抽出モジュール（Multivariate Feature Extraction、MFE）を設計し、細粒度レベルのマルチスケール特徴を掘り起こし、グループ操作およびグループ間接続によって受容野を拡大し、複数の特徴スケールの組み合わせ効果を強化し、文脈情報を併用して小対象への注目を強化する。深層集約構造を採用し、深浅層特徴を十分に融合させ、より包括的な特徴表現を獲得する。予測部では、表現最適化戦略（Characterization Optimization Strategy、COS）を提案し、楕円形マッピングを用いたラベル最適化により大きなアスペクト比を持つリモートセンシング対象に適応し、座標ピクセル注意の組み合わせで多スケール対象のチャネル、位置、ピクセル情報に注目し、複雑な背景干渉を低減し、有効な情報表現を強調する。DIOR、HRRSD、RSODデータセットでの消去および比較実験により、MFCモデルのmAPはそれぞれ70.9%、90.2%、96.9%に達し、多くの既存手法を上回り、誤検出・見逃し問題を効果的に改善し、高い適応性と頑健性を示した。

リモートセンシング多スケール対象;アンカーフレームなし;多変量特徴;表現最適化;注意