空对地遥感影像多任务检测算法:场景耦合与深度学习

0 下载量 99 浏览量 更新于2024-08-27 收藏 13.24MB PDF 举报
"场景耦合的空对地多任务遥感影像智能检测算法,通过结合场景分类和目标检测,提出了一种新的深度学习方法,旨在解决空对地遥感目标检测中的挑战,如小目标比例、单一视角、背景干扰和高度变化。该算法通过场景耦合网络结构、差异化激活模块和多任务耦合优化,提高了检测精度和稳健性,并适应不同高度的检测任务。实验证明其在空基无人平台对地智能检测中具有显著效果。" 在当前的空对地遥感影像分析领域,目标检测是一项关键任务,但传统的深度学习算法在处理此类问题时往往遇到困难,比如小目标在图像中占比小、观察角度单一、容易受到复杂背景干扰以及随着飞行高度变化目标尺寸的不确定性。为了解决这些挑战,研究者提出了一个创新的“场景耦合的多任务目标检测算法”。 首先,该算法的核心是设计了一种场景耦合目标检测网络结构。这个结构融合了场景分类特征图和目标检测特征图,使得它们在同一尺度下进行交互,从而增强了网络对细粒度特征的描述能力。这样做的好处是网络能更好地理解目标与周围环境的关系,提高识别准确性。 其次,引入了差异化激活模块,该模块的作用是对特征通道的重要性进行筛选,使得网络能够更聚焦于对检测目标至关重要的特征,过滤掉不相关的背景信息,增强了检测的针对性。 接下来,为了实现多任务的协同优化,研究者推导了一个多任务耦合的网络优化函数。这个函数允许目标检测损失和场景分类损失同步更新,确保两者在训练过程中相互促进,共同提升整体检测性能。 最后,为了验证算法的有效性,他们构建了一个专门针对空对地目标检测的多任务数据集。通过对这个数据集的实验,结果显示提出的算法显著提升了空对地小目标的检测精度和稳定性,同时具备自适应不同高度的多任务检测能力。 这项研究对于空基无人平台的对地智能检测技术具有重要的推动作用,为未来类似应用场景提供了新的解决方案和思路。通过将场景理解和目标检测相结合,不仅解决了传统方法的局限性,还为复杂环境下的遥感影像分析开辟了新的道路。