结合边缘增强与混合注意力的遥感图像检测

摘要：为了改善遥感图像中目标边缘特征模糊以及细粒度目标之间特征相似导致检测精度不高的问题，提出了一种结合边缘增强和混合注意力机制的遥感图像检测方法。针对目标边缘特征模糊问题，通过反锐化掩膜（Unsharp Masking，USM）方法对遥感图像进行增强处理，帮助模型捕获更多边缘特征。针对细粒度目标之间特征相似问题，在特征提取阶段引入空间和通道挤压与激励（Spatial and Channel Squeeze & Excitation， scSE）混合注意力机制，增强目标的辨识特征。在公开的遥感图像数据集HRSC2016上的实验结果表明，所提方法的检测精度达到85.15%，提高了舰船细粒度目标的检测准确率。

关键词：遥感图像；HRSC2016；细粒度检测；USM锐化；注意力机制

中图分类号：TP751 文献标识码：A

文章编号：1009-3044（2024）19-0023-04

0 引言

随着遥感技术的发展，遥感图像逐渐大数据化，相应的对遥感图像的处理技术要求也越来越高，目标检测也是遥感图像处理的重要内容之一[1]。目前，针对自然图像的目标检测算法已经越来越成熟，在实际中也得到了广泛应用。然而，相比于自然图像，遥感图像的背景往往更复杂，噪声干扰更严重，且呈现目标密集、方向任意等特点[2-3]，因此，自然图像的目标检测算法并不能完全适用于遥感图像。

目前，基于深度学习的遥感图像目标检测主要有三种方法，即水平框目标检测算法、改进的有向目标检测算法和有向目标检测算法[4-5]。一些经典的水平框目标检测算法已被广泛应用于遥感图像目标检测，如基于R-CNN（Girshick 等，2014） [6]的Faster R-CNN（Ren 等，2017） [7]、Mask R-CNN（He 等，2017） [8]等。然而，这些应用存在一定的局限性，当目标的倾斜角度较大时会引入过量的背景信息，而当目标比较密集时，会出现特征重叠的情况。为改善这些情况，许多学者采用角度回归的方法，将水平目标检测算法如YOLO系列[9]和FCOS（Tian等，2019） [10]等进行改进，生成倾斜的检测框，但这些改进方法并不能完全表现出目标的准确朝向。

近年来，部分学者提出了一系列针对遥感图像目标检测的算法，进一步改善了目标密集和方向任意的问题。如旋转敏锐检测器（RSDet（Qian等，2019）） [11]算法，采用调制旋转损失函数消除损失不连续性，并将损失函数与八参数回归相结合，改善了参数回归不一致的问题；动态细化网络（DRN（Pan等，2020）） [12]算法，使用可自适应调整目标感受野的特征选择模块和动态优化检测头，改善了遥感图像中目标密集与方向任意的问题；Oriented R-CNN（Xie等，2021） [13]算法，是一种通用的双阶段定向检测器，第一阶段通过定向RPN 生成定向建议，第二阶段采用定向R-CNN头来对建议进行分类和细化空间位置，具有良好的精度和效率；ReDet（Han等，2021） [14]算法，提出了一个旋转等变检测器，将旋转等变网络结合到检测器中以提取旋转等变特征，从而准确地预测方向；Oriented RepPoints（Li 等，2022） [15]是在点集表示的RepPoints（Yang 等，2019） [16]算法的基础上，引入自适应点表示不同的方向、形状和姿势，不仅可以精确定位任意方向目标，还可以捕获目标的底层几何结构。

尽管目前遥感图像目标检测算法已经取得较好的检测性能，但多数检测算法在粗粒度目标检测中表现较好，而在细粒度目标检测中表现较差。因此，为了提高遥感图像细粒度目标检测精度，本文在有向目标检测器Oriented RepPoints的基础上，结合了边缘增强方法与混合注意力机制模块，以改善遥感图像中目标边缘特征模糊与细粒度目标间特征相似的问题。

1 数据集

HRSC2016（High Resolution Ship Collections 2016） 是由西北工业大学于2016年发布的一个用于科学研究的数据集。目前，HRSC2016中的所有图像均来自谷歌地球。该数据集包含了海上舰船和近岸舰船两种场景的图像，总共包含1 680张图像，其中有效标注的图像为1 061张。图像分辨率在0.4～2m，图像尺寸从300×300像素到1 500×900像素不等。数据集的标注将舰船目标划分为三个级别进行分类：一级类别为船（ship） ，二级类别包括航母（aircraft carrier） 、军舰（warcraft） 、商船（merchant ship） 和潜艇（submarine） 。