您目前的位置: 首页» 新闻动态

实验室在遥感图像目标检测方面科研成果被IEEE TGRS接收


基于遥感大数据和人工智能技术的目标检测是光学遥感图像分析与应用的核心任务之一,是助力自然资源调查、城乡发展统计监测、军事目标侦察打击等国计民生重大需求关键技术。近年来,研究人员提出了多种基于深度学习的遥感目标检测方法,分析现有方法,发现仍然存在以下两方面问题有待解决:1)由于卷积只能作用于图像局部邻域且难以适应目标尺度的多样变化,面对场景复杂、目标尺度差异巨大的遥感图像,现有卷积神经网络模型难以学习到目标多尺度非局部关联特征,导致遥感目标检测效果不理想;2)现有基于深度卷积神经网络的遥感目标检测模型通常庞大而复杂、检测效率低下,并且需要消耗大量的计算资源,这对在嵌入式边缘计算设备上进行部署并不友好,制约了基于深度神经网络的遥感目标智能检测模型的落地应用。

针对上述问题,实验室从不同方面提出了两个方法。

第一个方法由北京理工大学信息与电子学院博士生黄展超、李伟教授、吴鑫博士、陶然教授,以及美国特拉华大学夏香根教授合作完成,针对复杂场景下多尺度遥感目标非局部关联特征学习与高精度目标检测问题,提出了一种“基于非局部激励金字塔和多尺度多任务特征优化的遥感目标检测方法”,研究结果以《A Novel Nonlocal-aware Pyramid and Multiscale Multitask Refinement Detector for Object Detection in Remote Sensing Images》为题,被顶级期刊电气和电子工程师协会地学与遥感汇刊[IEEE Transactions on Geoscience and Remote Sensing, 2021](影响因子IF:5.855)接收。



图1 基于非局部激励金字塔和多尺度多任务特征优化的遥感目标检测模型结构


所提遥感目标检测方法(模型结构如图1所示)通过构建非局部激励金字塔注意力机制,并引入俯视角度下同类目标轮廓相似的先验特征,引导深度神经网络模型关注目标关键特征并抑制复杂背景噪声;利用多尺度树形特征金字塔结构调整卷积层的感受野,融合多尺度上下文特征,提升信息完备性;设计自适应于目标形变的多任务分离检测模块,解决目标形变和多任务特征互相干扰影响目标检测精度的问题。

第二个方法由北京理工大学信息与电子学院博士生黄展超、李伟教授、硕士生王昊、陶然教授,美国特拉华大学夏香根教授,以及航空工业洛阳电光技术研究所揭斐然高级工程师合作完成,针对面向嵌入式边缘计算设备的遥感旋转目标高效率检测问题,提出了一种“轻量级遥感旋转目标检测方法”,研究结果以《LO-Det: Lightweight Oriented Object Detection in Remote Sensing Images》为题,被顶级期刊电气和电子工程师协会地学与遥感汇刊[IEEE Transactions on Geoscience and Remote Sensing, 2021](影响因子IF:5.855)接收。

所提轻量级遥感旋转目标检测方法(模型结构如图2所示)面向边缘计算场景下的遥感目标检测任务,利用通道分离-聚合结构改进堆叠式卷积结构,降低卷积神经网络的计算复杂度;在通道分离-聚合结构中设计动态感野模块根据输入特征自适应改变卷积核并调整感受野尺度;提出对角支撑约束改进的旋转目标边界框表示算法,并利用软硬边界值混合Sigmoid函数优化边界框回归过程;在NVIDIA TX2、Xavier等计算资源有限的嵌入式边缘计算设备上实现了遥感目标高效率检测(如图3所示),明显地降低了计算资源和功耗开销,并且检测精度与当前主流的特征密集神经网络相当。



图2 轻量级遥感旋转目标检测模型结构



图3 嵌入式边缘计算设备上的遥感目标检测结果展示


论文1链接:https://doi.org/10.1109/TGRS.2021.3059450

论文2链接:https://doi.org/10.1109/TGRS.2021.3067470