遥感舰船小目标检测：双重特征增强方法

"基于双重特征增强的遥感舰船小目标检测方法，通过结合纹理和颜色增强技术，提升遥感图像中舰船目标的检测精度。该方法利用生成对抗网络(GAN)增强舰船的纹理特征，通过深度强化学习优化颜色信息，解决了小目标与背景的低对比度问题。此外，采用自适应变换特征金字塔网络扩大全局感受野，解决了深层网络中空间信息不足导致的小目标特征提取困难。最后，通过特征细化模块和圆形光滑标签进行边界框对齐和角度回归，提高了多方向旋转舰船目标的检测精度。在HRSC2016和DOTA两个公开数据集上的实验结果显示，该方法的平均精度显著优于主流目标检测算法。" 本文介绍了一种针对遥感图像中舰船小目标检测的创新方法，主要关注在遥感图像分析中的关键挑战，如小目标占比大、多方向旋转以及目标与背景的低对比度。首先，该方法利用生成对抗网络(GAN)来增强舰船目标的纹理特征，GAN能够自动生成逼真的高分辨率图像，使得舰船目标在纹理上更加明显。 其次，针对颜色对比度低的问题，研究者应用了深度强化学习算法。这种算法可以通过不断的学习和优化，调整图像的颜色信息，以增加舰船目标与背景之间的颜色差异，从而提高识别效果。 接下来，为了克服深层神经网络在处理小目标时可能出现的空间信息丢失，文章提出了自适应变换特征金字塔网络。这一网络结构可以扩大模型的全局感受野，确保在不同尺度下都能有效地捕捉到舰船目标的特征，避免因为空间信息的缺失而导致小目标检测的困难。 最后，特征细化模块和圆形光滑标签被用于精确地定位舰船目标的边界框，并进行角度回归。这一步骤对于处理多方向旋转的舰船目标至关重要，可以确保检测框准确地覆盖舰船，并能适应其各种旋转状态。 实验证明，这种方法在HRSC2016和DOTA两个广泛使用的遥感图像数据集上取得了显著的性能提升，平均精度分别达到了72.87%和89.91%，远超过现有主流的目标检测算法。这些结果表明，基于双重特征增强的舰船小目标检测方法在实际应用中具有巨大的潜力，对于提高遥感图像分析的准确性具有重要意义。