Remote sensing object detection algorithm integrating block attention and wavelet feature aggregation
-
摘要:
针对遥感图像中目标背景复杂和小目标物体检测困难等问题，提出融合分块注意力与小波特征聚合的遥感图像目标检测算法。在主干网络中引入层级分块注意力模块，采用分块下采样操作进行下采样操作，同时融合坐标注意力机制，缓解了细粒度信息丢失的问题；设计融合小波增强的对比驱动特征聚合模块，采用Haar小波变换分离图像高低频信息，并构建局部注意力机制，增强模型对目标边缘与纹理细节的感知能力，抑制复杂背景的干扰；构建浅层注意力增强检测头，融合LSKA（large selective kernel attention）注意力机制增强模型对小目标物体的检测精度。实验结果表明，改进后算法在ShipRSImageNet与VisDrone2019数据集上的mAP50分别达到87.3%与35.5%，相比原始模型分别提升5.9%和4.1%。改进后的模型在遥感图像目标检测任务上的性能得到了有效的提升。
Abstract:A remote sensing image object detection algorithm is proposed to address the challenges of complex backgrounds and small object detection. A hierarchical split attention block attention module is introduced into the backbone network, utilizing block-based downsampling and coordinate attention to mitigate fine-grained information loss. Using the Haar wavelet transform, a wavelet-enhanced contrast-driven feature aggregation module separates high- and low-frequency information, while a local attention mechanism enhances edge and texture perception, suppressing background interference. A shallow enhancement attention detection head with the LSKA attention mechanism improves small object detection accuracy. Experimental results show that the algorithm achieves an mAP50 of 87.3% on the ShipRSImageNet dataset and 35.5% on the VisDrone2019 dataset, with improvements of 5.9% and 4.1%, respectively, over the original model. The improved model considerably enhances performance in remote sensing image object detection.
-
遥感图像是通过搭载在卫星和无人机上的遥感传感器所获取的对地表的观测数据，其具备监测范围广、成像时效性强以及空间和光谱信息丰富等优势。遥感图像目前被广泛应用于军事侦察、海洋监控和灾害预警等领域。因此，近年来遥感图像目标检测任务成为计算机视觉领域的研究热点之一。
与常规目标检测任务所检测的图像相比，遥感图像通常具有背景复杂、目标尺度差异大、目标数量稀疏且分布不均、图像分辨率较低和目标边界相对较模糊等一系列特征。这些特征使得遥感图像目标检测具有更高的挑战性和复杂性。
目前，针对遥感图像目标检测任务所存在的难题，主要有两类解决方法：第一类为基于手工特征提取的传统方法，第二类为基于深度学习的解决方法。传统的基于手工特征的方法主要有方向梯度直方图算法 (histograms of oriented gradients, HOG)和可变形部件模型算法(deformable part model, DPM)。HOG系列算法[1-2]首先在输入图像中创建一个网格，根据网格计算得到特征表，生成梯度直方图。通过提取感兴趣的区域生成特征，最后将特征输入到支持向量机(support vector machine, SVM)分类器中进行检测。DPM系列算法[3-4]是HOG算法的升级和扩展，其通过引入部件结构和可变形机制，有效地解决了目标在多种视角下的检测问题，但其在处理复杂背景和尺度变化较大的场景时，检测效果并不理想[5]。在此背景下，姬晓飞等[6]提出了一种基于多特征决策级融合的光学遥感图像多目标识别算法。该算法通过提取分层的BoF-SIFT(bag of feature-scale invariant feature Transform)特征、改进的SC(shape context)特征和Hu不变矩特征，并采用一对一支持向量机算法进行分类，提高了识别准确性。近年来，随着深度学习技术的快速发展，基于深度学习的目标检测算法在遥感图像目标检测任务上效果显著。这类算法通过采用端到端的训练框架，能够从大规模的数据中学习到更加鲁棒的目标特征，显著提升模型在复杂背景等场景下的检测性能。基于深度学习的目标检测算法目前可以分为双阶段检测算法和单阶段检测算法两大类。
双阶段检测算法的代表算法有R-CNN(region-base convolutional neural networks)、Faster R-CNN和Cascade R-CNN等，但上述算法最初并非针对遥感图像目标检测任务而设计。为此，一些研究人员通过改进现有的一些算法，使其能更好地应用于遥感图像目标检测任务。如：Li等[7]提出一种基于全局和局部注意力机制的特征融合模块，有效地平衡了局部细节和全局上下文的利用，提升了模型的检测精度；魏谢根等[8]通过采用多层级局部自注意力机制增强模型对浅层特征提取能力，提升了检测精度；Su等[9]设计了一种上下文感知模块，通过结合目标周围背景的上下文信息来减少分类混淆，有效地解决了模型在定位上表现良好但在分类上表现较差的问题；姚婷婷等[10]通过构建感受野扩张模块，有效提升了模型对不同尺度目标的检测精度。除双阶段检测算法之外，单阶段检测算法通常具备更快的检测速度，所以常用于一些实时性要求较高的检测场景中。这类检测算法的代表算法有YOLO(you only look once)、SSD(single shot multibox detector)和RetinaNet等。针对单阶段检测算法，也有许多研究人员针对遥感图像目标检测任务提出一些改进。如：文斌等[11]提出一种空间信息整合模块SIM(spatial information integration module)用于构建新型路径聚合网络，有效地解决了遥感场景下特征融合过程中信息冗余和忽略内层特征的问题；周沁坤等[12]提出一种全新的特征增强模块用于缓解图像背景复杂和目标特征较弱等问题，有效增强了模型的特征表达能力；Li等[13]设计了一种面向遥感目标检测的自适应点表示方法，通过自适应点学习有效捕捉任意方向目标的几何结构信息，从而提升检测性能；赵文清等[14]提出一种结合倒残差自注意力机制的目标检测方法，通过采用倒残差自注意力机制骨干网络充分提取目标特征，降低复杂背景的干扰；许思源等[15]提出一种基于多尺度特征融合的遥感图像目标检测方法，通过使用TIF(tripolar integrative fusion)融合模块与SlideLoss损失函数，在多个遥感数据集上显著提升检测精度。
尽管现有的遥感图像目标检测算法在一定程度上提升了检测精度，但在处理复杂背景、图像模糊和小目标检测方面仍存在一定的局限性。为此，针对现有遥感图像目标检测所存在的问题，本文在YOLOv8模型的基础上提出了三点改进：
1)设计层级分块注意力模块，替换YOLOv8算法模型主干网络上的卷积模块，增强特征提取能力并缓解由于跨步卷积所导致的细节信息丢失的问题。
2)构建融合小波增强的对比驱动特征聚合模块，通过采用Haar小波变换提取特征图的高频信息与低频信息，构建局部注意力机制，引导模型聚焦潜在的目标区域，增强信息表达。
3)提出浅层注意力增强检测头，通过引入更高分辨率的160×160特征图，并应用大型可分离卷积核注意力模块，帮助模型更好地捕捉小目标区域特征，加强模型的建模能力，提升模型在小目标检测任务中的召回率。
1. YOLOv8网络模型结构
YOLOv8算法模型是当前目标检测领域中的主流算法之一，其检测精度和推理速度在许多目标检测任务中都取得了优异的成绩，为此本文采用YOLOv8算法模型作为基线模型进行改进。YOLOv8网络结构如图1所示。
图 1 YOLOv8网络结构Fig. 1 YOLOv8 network architecture
下载:
全尺寸图片
YOLOv8模型主要由3个部分组成，分别为主干网络(Backbone)、特征融合网络(Neck)和检测头(Head)。其中，主干网络通过使用C2f模块和卷积模块提取输入图像的语义特征信息，在保持较低复杂度的同时，增强了网络模型对图像局部结构与上下文信息的感知能力。特征融合网络通过采用FPN+PAN结构，将特征提取阶段中提取的不同尺度的特征信息进行融合，FPN通过自顶向下的路径传递高层语义信息，而PAN通过自底向上路径强化底层细节特征，从而实现语义信息和细节信息的充分交互，增强模型对多尺度目标的检测能力。检测头将融合后的特征进行解码操作，实现目标分类与边界框回归。
2. 本文算法
2.1 HSAB模块
在YOLOv8网络模型中，主干网络采用了大量的标准卷积对输入图像及中间特征进行特征提取与下采样操作。然而在遥感图像目标检测中，遥感图像通常存在目标呈现多尺度特征、背景复杂和图像模糊等特性，这些特性进一步提升了遥感图像目标检测任务的难度。由于标准卷积对图像的旋转、缩放等几何变换的鲁棒性较差，所以其难以捕获图像中复杂的特征信息。此外，使用标准卷积进行下采样操作时，通常会将卷积的步长设置为2，但使用步长为2的卷积进行下采样操作时，由于其是一种跨步卷积，所以有可能会产生细粒度信息丢失的问题，影响小目标物体和稀疏目标物体的检测精度。为解决上述问题，本文设计了层级分块注意力模块(hierarchical split attention block, HSAB)用于替换主干网络上的部分标准卷积。
HSAB模块首先通过分块下采样，将输入特征$ {{\boldsymbol{X}}}_{{\mathrm{in}}}\in {\bf{R}}^{H\times W\times C} $分为4个大小相等的子特征$ {{\boldsymbol{X}}}_{i} $，通过这种方式进行下采样操作可以有效缓解使用步长为2的卷积所带来的细节特征信息丢失的问题。随后，对每个子特征$ {{\boldsymbol{X}}}_{i} $进行特征提取和通道融合，以增强模型的建模能力。然后，对$ {{\boldsymbol{X}}}_{i} $按照通道拆分为3路特征，得到特征$ {{\boldsymbol{X}}}_{i}^{(j)} $。向特征$ {{\boldsymbol{X}}}_{i}^{(1)} $中引入坐标注意力机制[16](coordinate attention, CA)，将空间位置信息编码至特征图中，引导网络聚焦关键目标区域。与此同时将特征$ {{\boldsymbol{X}}}_{i}^{(2)} $与$ {{\boldsymbol{X}}}_{i}^{(3)} $进行叠加，强化重要特征，并通过深度可分离卷积[17](depthwise separable convolution, DSC)进一步提取特征信息。随后将未经处理的特征$ {{\boldsymbol{X}}}_{i}^{(2)} $与上述两部分特征按照通道维数进行拼接，并通过卷积核大小为1、步长为1的卷积进行跨通道融合。最后将4部分信息按照通道维数拼接，并进行融合，得到该模块的输出。HSAB模块如图2所示。
图 2 HSAB模块Fig. 2 HSAB module下载:
全尺寸图片
HSAB模块的公式表达分别为
$$ \{{{\boldsymbol{X}}}_{i}\}={\mathcal{F}}_{{\mathrm{pixel}}}({{\boldsymbol{X}}}_{{\mathrm{in}}}),i\in \{1,2,3,4\} $$ (1) $$ \{{{\boldsymbol{X}}}_{i}{}^{(j)}\}={\mathcal{F}}_{{\mathrm{channel}}}({{\boldsymbol{X}}}_{i}),j\in \{1,2,3\} $$ (2) $$ {{\boldsymbol{C}}}_{i}={\mathcal{F}}_{{\mathrm{merge}}}({\mathcal{F}}_{{\mathrm{CA}}}({{\boldsymbol{X}}}_{i}{}^{(1)}),{\boldsymbol{X}}_{i}^{(2)},{\mathcal{F}}_{{\mathrm{DSC}}}({\boldsymbol{X}}_{i}^{(2)}+{\boldsymbol{X}}_{i}^{(3)})) $$ (3) $$ {{\boldsymbol{X}}}_{{\mathrm{out}}}={\mathcal{F}}_{{\mathrm{merge}}}({{\boldsymbol{C}}}_{1},{{\boldsymbol{C}}}_{2},{{\boldsymbol{C}}}_{3},{{\boldsymbol{C}}}_{4}) $$ (4) 式中：$ {\mathcal{F}}_{{\mathrm{pixel}}} $代表分块下采样操作，$ {{\boldsymbol{X}}}_{in} $代表从上层输入的特征，$ {\mathcal{F}}_{{\mathrm{channel}}} $代表通道切分操作，$ {\mathcal{F}}_{{\mathrm{merge}}} $、$ {\mathcal{F}}_{{\mathrm{CA}}} $和$ {\mathcal{F}}_{{\mathrm{DSC}}} $分别代表按通道维度拼接并进行1×1卷积融合运算、向特征图中融合坐标注意力操作和对特征图进行深度可分离卷积运算。
2.2 WE-CDFA模块
在遥感图像目标检测任务中，遥感图像由于其成像高度较高、成像分辨率较低以及所要检测物体尺度差异大等因素，往往存在目标边界模糊、细节信息容易丢失的问题。此外，遥感图像背景相对较复杂、干扰信息偏多，容易造成漏检误检等问题。为解决上述问题，本文通过引入Haar小波变换，并结合对比驱动特征聚合模块[18](contrast-driven feature aggregation, CDFA)，设计出融合小波增强的对比驱动特征聚合模块(wavelet-enhanced contrast-driven feature aggregation, WE-CDFA)。
WE-CDFA模块首先对输入特征$ {{\boldsymbol{F}}}_{{\mathrm{in}}}\in {\bf{R}}^{H\times W\times C} $使用两个卷积核为3、步长为1的卷积提取特征图中的局部上下文信息，增强初始特征的表示能力。随后对输出特征$ {\boldsymbol{F}}' $通过线性层$ {{\boldsymbol{W}}}_{v}\in {\bf{R}}^{C\times C} $，映射为值向量$ {\boldsymbol{V}}\in {\bf{R}}^{H\times W\times C} $，并将值向量$ {\boldsymbol{V}} $在每个局部窗口内通过Unflod方法进行展开，以便为每个位置聚合邻域信息。令$ {{\boldsymbol{V}}}_{\Delta i,j}\in {\bf{R}}^{C\times {{K}^{2}}} $代表以$ (i,j) $为中心的局部窗口中的所有值，其定义为
$$ {{\boldsymbol{V}}}_{\Delta i,j}=\left\{\begin{aligned}{{\boldsymbol{V}}}_{i+p-\left\lfloor \tfrac{K}{2}\right\rfloor ,j+q-\left\lfloor \tfrac{K}{2}\right\rfloor }\end{aligned}\right\}, \;\;\; 0\leq p,q \lt K $$ (5) 式中：$ p,q $代表局部窗口偏移量，$ K $代表窗口大小。
与此同时，通过采用Haar小波变换，提取特征图$ {\boldsymbol{F}}' $的水平高频分量$ {{\boldsymbol{f}}}_{h} $、垂直高频分量$ {{\boldsymbol{f}}}_{v} $、对角高频分量$ {f}_{d} $以及低频分量$ {{\boldsymbol{f}}}_{{\mathrm{low}}} $，并将所提取的3个高频分量进行叠加，获得特征高频信息$ {{\boldsymbol{f}}}_{{\mathrm{high}}} $。其中，高频分量主要包含目标边缘和纹理细节等特征信息，有利于加强模型对目标轮廓的感知能力。低频分量则保留了主要的背景信息，有助于模型理解全局上下文和背景语义。随后，对高频分量$ {{\boldsymbol{f}}}_{{\mathrm{high}}} $和低频分量$ {{\boldsymbol{f}}}_{{\mathrm{low}}} $分别通过两个不同的线性变换生成对应的注意力权重$ {{\boldsymbol{A}}}_{{\mathrm{high}}} $与$ {{\boldsymbol{A}}}_{{\mathrm{low}}} $。注意力权重的计算公式为
$$ {{\boldsymbol{A}}}_{{\mathrm{high}}}={{\boldsymbol{W}}}_{{\mathrm{high}}}\cdot {{\boldsymbol{f}}}_{{\mathrm{high}}},\;\; {{\boldsymbol{A}}}_{{\mathrm{low}}}={{\boldsymbol{W}}}_{{\mathrm{low}}}\cdot {{\boldsymbol{f}}}_{{\mathrm{low}}} $$ (6) 式中$ {{\boldsymbol{W}}}_{{\mathrm{high}}}\in {\bf{R}}^{C\times {{K}^{4}}} $和$ {{\boldsymbol{W}}}_{{\mathrm{low}}}\in {\bf{R}}^{C\times {{K}^{4}}} $为线性变换权重矩阵。
接着，位置$ (i,j) $处的高频和低频注意力权重被重塑为$ {\boldsymbol{A}}_{i,j}^{{\mathrm{high}}}\in {\bf{R}}^{{{K}^{2}}\times {{K}^{2}}} $与$ {\boldsymbol{A}}_{i,j}^{{\mathrm{low}}}\in {\bf{R}}^{{{K}^{2}}\times {{K}^{2}}} $。并通过Softmax函数进行归一化。最后，对展开后的值向量进行两步加权。WE-CDFA模块的公式表达为
$$ {{\boldsymbol{F}}}_{{\mathrm{out}}} = {\mathcal{F}}_{{\mathrm{cbr}}}({\mathrm{Softmax}}({\boldsymbol{A}}_{i,j}^{{\mathrm{low}}})\otimes ({\mathrm{Softmax}}({\boldsymbol{A}}_{i,j}^{{\mathrm{high}}})\otimes {{\boldsymbol{V}}}_{\Delta i,j})) $$ (7) 其中$ {\mathcal{F}}_{{\mathrm{cbr}}} $代表两个标准卷积运算。
该模块将通过特征高频信息作为引导，构建局部注意力机制，引导模型聚焦潜在的目标区域，增强信息表达。通过低频分量，学习背景分布和上下文语义，抑制冗余干扰信息。WE-CDFA模块通过融合前景增强与背景建模后的特征，实现了对遥感图像中细节目标的精准感知与定位，可以有效降低复杂背景下的误检率与漏检率。WE-CDFA模块的结构如图3所示。
图 3 WE-CDFA模块Fig. 3 WE-CDFA module下载:
全尺寸图片
2.3 SEAD检测头
在YOLOv8算法中，检测层所接收的特征图大小分别为80×80、40×40和20×20三种不同尺度的特征图，其中80×80的特征图主要用于小目标物体的检测。为了进一步增强模型对小目标物体的检测精度，本文提出一种浅层注意力增强检测头 (shallow enhancement attention detect, SEAD)，来进一步提升模型对小目标物体的检测精度。
SEAD通过从P1层引出新的分支，并通过大型可分离卷积核注意力模块[19](large selective kernel attention, LSKA)和C2f_Efficient模块输出一个160×160的特征图，用于小目标检测。C2f_Efficient模块如图4所示。
图 4 C2f_Efficient模块Fig. 4 C2f_Efficient module下载:
全尺寸图片
C2f_Efficient是通过将C2f模块中的Bottleneck模块替换为FasterNet[20]中的FasterNetBlock得到的，通过引入更加轻量化的基础单元，来提升网络的推理速度。
LSKA是在大核卷积注意力模块[21] (large kernel attention, LKA)基础上改进得到的。LKA首先通过深度卷积和小感受野卷积提取特征图的局部特征信息，随后通过使用扩张卷积和大感受野卷积核来捕捉远程依赖关系，再采用卷积核大小为1的卷积生成空间注意力图，并将生成的注意力图与原始输入进行相乘，以此实现特征的自适应增强与细化。相比于LKA，LSKA通过将原本的$ K\times K $卷积核拆分为$ 1\times K $和$ K\times 1 $两个卷积核串联的形式，在保留大感受野建模能力的同时，显著减少了卷积操作中的参数量与计算开销。LKA与LSKA的结构如图5所示。
图 5 LKA与LSKA模块Fig. 5 LKA and LSKA module下载:
全尺寸图片
LKSA的输出表达式为
$$ {\overline{{\boldsymbol{Z}}}}^{C}=\sum \limits_{h,w}{{\boldsymbol{W}}}_{(2d-1)\times 1}^{C}*({\boldsymbol{W}}_{1\times (2d-1)}^{C}*{{\boldsymbol{F}}}^{C}) $$ (8) $$ {{\boldsymbol{Z}}}^{C}=\sum \limits_{h,w}{{\boldsymbol{W}}}^{C}{}_{\left\lfloor \tfrac{k}{d}\right\rfloor \times 1}*\left(\begin{aligned}{{\boldsymbol{W}}}^{C}{}_{1\times \left\lfloor \tfrac{k}{d}\right\rfloor }*{\overline{{\boldsymbol{Z}}}}^{C}\end{aligned}\right) $$ (9) 式中：$ h、w $分别代表特征图的高度和宽度，$ {\boldsymbol{W}} $代表卷积核，下标代表卷积核尺寸，$ d $代表空洞率。
改进后的模型结构图如图6所示。
图 6 改进后的模型结构Fig. 6 Improved model architecture下载:
全尺寸图片
3. 实验结果与分析
3.1 实验环境
为了防止由于硬件差异所导致的实验误差，本文实验均在相同的实验环境，相同的硬件配置下进行，以确保实验结果的公平性与可比性，最大程度降低因硬件差异给实验结果带来的干扰。具体配置如表1所示。
表 1 实验软硬件配置详细信息Table 1 Detailed hardware configuration名称 详细配置 操作系统 Ubuntu 20.04.6 LTS
(GNU/Linux 5.15.0-136-generic x86_64)处理器 12th Gen Intel(R) Core(TM) i5-12400F 显卡 NVIDIA GeForce RTX 3060 12 GB 内存 16 GB DDR4 3200 MHz × 2CUDA 12.2 PyTorch 2.1.1 3.2 实验数据集与超参数设置
ShipRSImageNet数据集共包含图像
3435 张，数据集来自多种传感器和卫星平台，拍摄时间涵盖不同的方向与季节，每张图片的分辨率为930像素×930像素，标注方式包括水平框与旋转框两种方式。在本文实验中采用2198 张图像作为训练集，550张图像作为测试集，共计2748 张图像。目标分类等级采用L0，即仅对舰船和码头两个目标进行区分，不再对舰船进行更细致的分类。VisDrone2019数据集共包含图像
8629 张，数据集收集自中国14个不同的城市，包含10类目标物体，涵盖多种地理环境和复杂场景，是当前遥感小目标检测领域中比较有代表性和挑战性的数据集之一，其标注方式为水平框标注。在本文实验中，将采用6471 张图像作为训练集，548张图像作为验证集，1610 张图像作为测试集，共计8629 张图像。在对ShipRSImageNet数据集进行网络训练的过程中，本文所采用的网络训练策略如下：批量大小设置为8，采用随机梯度下降优化器 (stochastic gradient descent, SGD)对网络参数进行迭代更新，初始学习率设定为0.01，动量设置为0.9，训练轮次为600轮，CPU线程数设置为4，开启图像增强算法，输入图像尺寸固定为640×640。为了更加准确地评估模型本身的性能，在实验过程中不采用预训练模型权重对模型参数进行初始化。在对VisDrone2019数据集进行网络训练的过程中，将上述训练方式的批量大小更改为2，训练轮次更改为300，其余超参数和训练策略不变。
3.3 评价指标
本实验采用平均精度均值 (mean average precision, mAP)作为评价指标，mAP值越高，则表示模型在各类目标检测中的准确性和稳定性越强。所使用的IoU阈值均为0.5。mAP的计算公式为
$$ m_{\mathrm{AP}}=\frac{1}{c} \sum_{i=1}^{n} I_{\mathrm{A P}}^{i} $$ (10) 式中：$ c $表示目标类别数，mAP是对每个类别的准确率P(Precision)和召回率R(Recall)绘制的曲线与横纵坐标轴所围成的面积的平均值。准确率和召回率计算公式分别为
$$ P=\frac{P_{\mathrm{T}}}{P_{\mathrm{T}}+P_{\mathrm{F}}}\times 100\text{% } $$ (11) $$ R=\frac{P_{\mathrm{T}}}{P_{\mathrm{T}}+N_{\mathrm{F}}}\times 100\text{% } $$ (12) 式中：$ P_{\mathrm{T}} $为正确检测的正样本的数量，$ P_{\mathrm{F}} $为错误检测的负样本的数量，$ N_{\mathrm{F}} $为错误检测的正样本的数量。
3.4 实验结果
3.4.1 HSAB模块分析
为验证HSAB模块在数量与位置上对YOLOv8s模型性能的影响。本文通过在YOLOv8s网络模型的不同位置上使用HSAB模块，并采用不同数量的模块来进行实验验证。替换位置编号如图1所示。本组实验共设计8组：其中，第1组为对照组；第2~5组为分别替换主干网络上1~4号位置为HSAB模块；第6~8组为分别替换主干网络上HSAB模块数量为2、3和4个。在本模块分析实验中，批次大小设置为4，训练轮数为300，初始学习率为0.01，实验结果如表2所示。
表 2 HSAB模块分析实验表Table 2 HSAB module analysis experiment table编号 替换位置 Ship50/% Dock50/% Precison/% Recall/% mAP50/% mAP50-95/% Params/106 FLOPs/109 G1 − 79.8 81.5 85.4 74.7 80.7 59.9 11.4 29.4 G2 1 83.2 82.1 83.6 76.1 82.7 61.2 11.5 45.1 G3 2 82.2 81.5 86.6 72.0 81.9 61.7 12.0 44.2 G4 3 79.3 81.0 83.0 73.6 80.2 59.8 14.0 43.8 G5 4 79.2 80.3 85.9 70.5 79.8 59.8 22.0 43.8 G6 1,2 81.2 86.2 89.2 73.3 83.7 62.0 12.2 59.8 G7 1,2,3 84.0 82.6 86.6 72.5 83.3 60.8 14.9 74.2 G8 1,2,3,4 81.6 83.7 81.4 76.6 82.6 61.5 25.6 88.6 由表2可知，在不同位置引入不同数量的HSAB模块对YOLOv8s模型的检测性能产生了不同的影响。由第2、3组实验可以看出，在1号或2号位置上添加HSAB模块后，模型的检测性能相比未添加之前，mAP50分别提升2.0%与1.2%。而在3号或4号位置上引入HSAB模块后，模型的部分指标有所下降。这一现象表明，过深的位置引入HSAB模块可能会导致浅层的特征信息传递受限，因而影响检测精度。
在多模块组合实验中，由第6组实验可以看出，当替换主干网络上1号和2号位置为HSAB模块后，模型的检测性能得到了显著的提升，mAP50相比于原始模型提升3.0%。然而，当进一步增加3个或4个HSAB模块时，尽管部分指标有了小幅度提升，但是模型整体性能相比于仅替换1、2号位置略有下降，且过多数量的替换会导致模型的参数量与浮点运算量显著提升。为此，综合模型精度与性能的考虑，本文选取在1号和2号位置替换HSAB模块，以达到检测精度与性能的均衡。
3.4.2 本文算法检测结果
为了相对全面地验证本文所提出的改进算法在实际应用场景中的检测能力，本文选取了两个在遥感图像目标检测中具有代表性的数据集来验证本文所提出模型的检测能力。具体实验结果如表3和表4所示。
表 3 模型在ShipRSImageNet上的实验结果Table 3 Experimental results of the model on ShipRSImageNet模型 Ship50/% Dock50/% Precision/% Recall/% mAP50/% mAP50-95/% Params/106 FLOPs/109 YOLOv8s 81.4 81.5 83.0 77.0 81.4 62.2 11.4 29.4 本文模型 87.6 86.9 88.6 78.9 87.3 66.5 23.2 85.4 表 4 改进前后模型在VisDrone2019上的实验结果Table 4 Experimental results of the model before and after improvement on VisDrone2019类别 YOLOv8s 本文算法 Precison/% Recall/% mAP50/% mAP50-95/% Precision/% Recall/% mAP50/% mAP50-95/% pedestrian 51.4 23.8 26.2 10.6 48.9 29.0 30.8 (+4.6) 12.9 (+2.3) people 51.2 9.5 13.4 4.6 53.8 12.5 17.8 (+4.4) 6.6 (+2.0) bicycle 28.3 10.7 8.4 3.1 36.3 11.7 12.6 (+4.2) 5.0 (+1.9) car 65.4 71.7 71.0 45.5 67.4 76.4 75.7 (+4.7) 49.2 (+3.7) van 39.4 41.2 36.6 24.3 45.3 42.2 40.4 (+3.8) 27.5 (+3.2) truck 41.8 43.8 39.0 24.3 46.3 46.4 43.3 (+4.3) 28.1 (+3.8) tricycle 23.7 26.2 16.6 8.3 30.4 28.7 20.4 (+3.8) 11.3 (+3.0) awning-tricycle 40.1 20.7 18.5 10.4 47.5 22.2 23.3 (+4.8) 13.7 (+3.3) bus 61.6 54.1 56.2 38.9 67.4 56.3 59.6 (+3.4) 42.2 (+3.3) motor 40.4 32.5 28.0 11.2 46.3 32.7 30.8 (+1.2) 12.7 (+1.5) 所有 44.3 33.4 31.4 18.1 49.0 35.8 35.5 (+4.1) 20.9 (+2.8) 由表3可以看出，本文改进算法相较于原始算法在ShipRSImageNet数据集上取得了较大幅度的提升，其中mAP50提升5.9%，mAP50-95提升4.3%，对于舰船目标和码头目标mAP50精度分别提升6.2%与5.4%。由此可以表明本文所提出算法针对现有模型细粒度信息易丢失，以及针对复杂背景建模能力较差等问题有了很好的改善。
由表4可以看出，本文所提出算法在VisDrone2019数据集上提升比较明显，其中mAP50提升4.1%，mAP50-95提升2.8%。对所有类别目标检测精度均有提升，由此可以看出本文所改进模型具有很好的鲁棒性，在多个数据集上表现优异。
3.4.3 消融实验
为了验证本文所提出改进的有效性，本文在YOLOv8s模型的基础上设计了系统性的消融实验，且实验环境与实验超参数完全一致，确保实验结果公平合理。本消融实验共分为8组：第1组为对照组，即采用未改进的YOLOv8s网络模型进行实验；第2~4组为分别添加一种改进后的模型；第5~7组为将本文所提出改进两两进行结合之后的模型；第8组为融合本文所提出所有改进后的模型。实验结果如表5所示。
表 5 模型在ShipRSImageNet上的消融实验结果Table 5 Ablation experiment results of the model on ShipRSImageNetHSAB WE-
CDFASEAD Ship50/
%Ship50-95/
%Dock50/
%Dock50-95/
%Precision/
%Recall/
%mAP50/
%mAP50-95/
%Params/
106FLOPs/
10981.4 63.0 81.5 61.4 83.0 77.0 81.4 62.2 11.4 29.4 √ 84.7 65.2 84.0 62.4 86.1 78.6 84.3 63.8 12.2 59.8 √ 83.9 64.4 85.2 61.5 83.5 77.4 84.6 63.0 22.0 38.1 √ 84.0 64.7 83.6 62.0 82.5 78.0 83.8 63.4 11.7 48.6 √ √ 84.6 65.0 84.5 65.1 81.1 79.8 84.5 65.1 22.9 68.6 √ √ 88.3 67.7 84.9 63.5 87.2 79.5 86.6 65.6 12.6 79.0 √ √ 87.3 67.0 83.9 61.7 85.1 79.3 85.6 64.4 22.4 57.3 √ √ √ 87.6 68.1 86.9 64.9 88.6 78.9 87.3 66.5 23.2 85.4 注：√表示应用此改进；加粗项为在此改进下效果最优。 由表5可知，在单独引入HSAB模块后，模型精度即获得显著提升，相较于基线模型mAP50评价指标提升2.9%，mAP50-95评价指标提升1.6%，这可以说明HSAB模块在增强模型特征表达、缓解细粒度信息丢失问题方面效果显著。在单独引入WE-CDFA模块后，模型精度也获得了明显的提升，mAP50评价指标提升3.2%，由此可以说明该模块可以有效缓解遥感图像中背景复杂、目标边界模糊等问题。在单独引入SEAD检测头后，模型的mAP50精度提升约2.4%，由此可以看出，该改进对模型在小目标物体的检测精度方面有所提升。
除此之外，将多个改进模块进行组合之后，会进一步提升模型的性能，其中，将HSAB模块与WE-CDFA模块进行组合后，模型mAP50-95精度达到了65.1%，远大于单独采用HSAB或WE-CDFA模块的63.8%与63.0%。将3个改进都应用于模型中后，模型在ShipRSImageNet数据集上取得了最优的检测性能，mAP50提升至87.3%，相较于基线模型性能提升高达5.9%。mAP50-95提升至66.5%，相比于基线模型性能提升4.3%。这也进一步说明HSAB模块、WE-CDFA模块和SEAD检测头具备良好的互补性。
为了进一步说明本文所改进模块的有效性，本文采用热力图对引入WE-CDFA模块与SEAD模块前后的结果进行对比。对比图如图7所示。
图 7 应用部分模块前后图像的热力图与部分实际检测结果Fig. 7 Heatmaps before and after applying modules and corresponding detection results下载:
全尺寸图片
图7中高亮部分代表模型对该区域的关注度较高，暗部表示模型对该区域关注度较低。由图7(b)可知，当模型没有采用WE-CDFA模块时，模型的关注区域相对来说比较分散，对图像背景区域也存在着较多的无效关注，难以聚焦于真正的目标区域。由图7(c)可以看出，采用WE-CDFA模块改进后的模型则更加关注于舰船目标，对目标背景的干扰可以起到很好的抑制作用。由此可以看出WE-CDFA模块可以有效缓解遥感图像背景复杂所带来的问题，有效提升了模型对前景目标的感知能力，改善了模型在遥感图像中由于目标边界模糊、背景复杂所带来的检测性能下降问题。
由图7(e)与图7(h)可知，原始模型对小目标物体的注意力并不突出，缺乏对细小目标的有效响应，并不能对遥感图像下的细小目标物体进行有效检测。由图7(f)与图7(i)可以看出，采用SEAD改进后的模型可以更好地使模型关注小目标物体，极大地缓解了模型对小目标物体的漏检问题。由此可见本文所提出改进的有效性。
3.4.4 不同模型对比实验
为了验证本文所提出的算法的有效性与先进性，本文与最近几年的算法进行了对比，分别在ShipRSImageNet数据集和VisDrone2019数据集上进行。实验结果如表6和表7所示。
表 6 不同模型在ShipRSImageNet上的实验结果Table 6 Performance comparison of various models on ShipRSImageNet模型 mAP50/% mAP50-95/% Params/106 FLOPs/109 Faster R-CNN[22] 67.4 43.2 41.6 206.0 SSD[23] 60.5 33.8 24.4 30.7 FCOS[24] 38.3 20.0 32.1 198.0 YOLOX[25] 81.5 59.8 54.2 77.8 DAB-DETR[26] 78.3 57.7 43.7 102.0 DDQ[27] 78.8 59.9 48.3 274.0 CM-YOLO[28] 79.3 60.4 49.72 70.9 A2Net[29] 82.1 64.2 42.5 67.4 SVSDet[30] 84.5 63.6 — — YOLOv8n-obb 80.2 53.4 3.0 8.1 YOLOv8s-obb 81.4 62.2 11.4 29.4 本文模型 87.3 66.5 23.2 85.4 表 7 不同模型在VisDrone2019数据集上的实验结果Table 7 Experimental results of different models on the VisDrone2019 dataset模型 mAP50/% mAP50-95/% Params/106 FLOPs/109 YOLOX-Tiny[25] 27.8 14.8 5.0 7.5 RTMDet-Tiny[31] 31.2 18.4 4.8 8.0 RTDETR[32] 33.3 18.5 20.0 60.0 YOLOv8n 25.9 14.4 3.0 8.1 YOLOv8s 31.4 18.1 11.1 28.5 YOLOv8m 33.2 19.0 25.8 78.7 YOLOv10s 32.3 17.9 7.2 21.4 YOLOv10m 34.5 19.5 15.3 58.9 YOLOv11s 31.3 17.6 9.4 12.3 YOLOv11m 35.0 20.3 20.0 67.7 YOLOv12m 33.6 19.2 20.1 67.2 FBRT-YOLO-S[33] 32.3 18.3 2.9 22.9 FBRT-YOLO-M[33] 34.4 19.6 7.36 58.7 本文模型 35.5 20.9 22.9 85.4 从表6可以看出，本文所提出的改进算法在ShipRSImageNet数据集上取得了87.3%的mAP50和66.5%的mAP50-95，均显著高于现有的主流算法，具备良好的实际工程应用的潜力。
从表7可以看出，本文改进后的算法模型在VisDrone2019数据集上mAP50精度达到了35.5%，高于大多数主流算法，相比于原始未改进模型mAP50精度提升4.1%。进一步验证了本文算法在复杂场景下的鲁棒性和实用性。通过上面两个数据集的实验可以看出，本文所提出的改进算法在不同类型的遥感数据集上都取得了不错的成绩，具备较强的实际应用价值。
3.4.5 检测结果可视化
为了更加清晰和直观地展示本文所提出模型在遥感图像目标检测任务上的实际效果，本文对比了改进前后模型在ShipRSImageNet和VisDrone2019数据集上的检测效果。改进前后模型在ShipRSImageNet数据集上的检测效果如图8所示，在VisDrone2019数据集上的检测效果如图9所示。
图 8 改进前后模型在ShipRSImageNet数据集上的检测效果Fig. 8 Detection performance before and after improvement on ShipRSImageNet下载:
全尺寸图片
由图8可以看出，改进前模型在针对细小密集目标的检测效果较差，存在着较多漏检问题，而改进后模型在针对细小目标的检测效果得到了明显的提升，漏检问题得到了极大的缓解。由此可以看出改进后模型的有效性。
由图9(I)可以看出，改进后模型在对小目标物体检测性能方面有了明显提升。由图9(II)红圈处可以看出，针对背景复杂的情况下所存在的误检问题，改进后模型针对这一问题也得到了极大提升。进一步说明了本文所提出改进模型可以有效解决原始模型所存在的小目标检测效果较差、背景复杂情况下易出现漏检误检等问题。
图 9 改进前后模型在VisDrone2019数据集上的检测效果Fig. 9 Detection performance before and after improvement on VisDrone2019下载:
全尺寸图片
由上述可视化检测效果可以说明，本文所提出方法在遥感图像目标检测任务中的实际应用价值高于实际检测效果优异，改进后模型不仅提升了检测准确率，也缓解了复杂背景对模型所造成的干扰，提升了模型在复杂环境下对小目标物体的感知能力。
4. 结束语
本文针对遥感图像目标检测中存在的目标尺度变化较大、背景复杂和小目标物体检测困难等问题，提出了一种基于分块注意力与小波增强特征聚合的遥感图像目标检测算法。通过采用HSAB模块替代主干网络中的卷积，有效缓解了下采样过程中存在的细节信息丢失的问题，并增强了模型对关键目标区域的感知能力；设计了基于Haar小波变换与局部注意力机制的WE-CDFA模块，实现了前景信息增强与背景建模的结合，提高了复杂背景下模型的目标辨识能力；设计SEAD浅层检测头，增强模型对小目标物体的检测能力。通过大量的实验表明，本文所提出改进算法在现有数据集上均取得了不错的成绩，证明了所提出模型具备很好的鲁棒性。
尽管本文所提出方法在模型精度方面得到了显著提升，但仍然存在很大的不足与待改进之处。由于改进后的模块参数量相较于原始模块较大，使得模型参数和计算复杂度都有所提升，不利于在边缘设备或资源受限平台上进行部署。未来的研究将重点围绕模型轻量化以及模型推理高效化进行设计，在提升检测性能的同时，降低资源的开销，使其更好地应用于广泛的计算设备之上。也期待更多的研究人员在遥感图像目标检测领域提出更好的思路和想法。
-
图 1 YOLOv8网络结构
Fig. 1 YOLOv8 network architecture
下载:
全尺寸图片
图 2 HSAB模块
Fig. 2 HSAB module
下载:
全尺寸图片
图 3 WE-CDFA模块
Fig. 3 WE-CDFA module
下载:
全尺寸图片
图 4 C2f_Efficient模块
Fig. 4 C2f_Efficient module
下载:
全尺寸图片
图 5 LKA与LSKA模块
Fig. 5 LKA and LSKA module
下载:
全尺寸图片
图 6 改进后的模型结构
Fig. 6 Improved model architecture
下载:
全尺寸图片
图 7 应用部分模块前后图像的热力图与部分实际检测结果
Fig. 7 Heatmaps before and after applying modules and corresponding detection results
下载:
全尺寸图片
图 8 改进前后模型在ShipRSImageNet数据集上的检测效果
Fig. 8 Detection performance before and after improvement on ShipRSImageNet
下载:
全尺寸图片
图 9 改进前后模型在VisDrone2019数据集上的检测效果
Fig. 9 Detection performance before and after improvement on VisDrone2019
下载:
全尺寸图片
表 1 实验软硬件配置详细信息
Table 1 Detailed hardware configuration
名称 详细配置 操作系统 Ubuntu 20.04.6 LTS
(GNU/Linux 5.15.0-136-generic x86_64)处理器 12th Gen Intel(R) Core(TM) i5-12400F 显卡 NVIDIA GeForce RTX 3060 12 GB 内存 16 GB DDR4 3200 MHz × 2CUDA 12.2 PyTorch 2.1.1 表 2 HSAB模块分析实验表
Table 2 HSAB module analysis experiment table
编号 替换位置 Ship50/% Dock50/% Precison/% Recall/% mAP50/% mAP50-95/% Params/106 FLOPs/109 G1 − 79.8 81.5 85.4 74.7 80.7 59.9 11.4 29.4 G2 1 83.2 82.1 83.6 76.1 82.7 61.2 11.5 45.1 G3 2 82.2 81.5 86.6 72.0 81.9 61.7 12.0 44.2 G4 3 79.3 81.0 83.0 73.6 80.2 59.8 14.0 43.8 G5 4 79.2 80.3 85.9 70.5 79.8 59.8 22.0 43.8 G6 1,2 81.2 86.2 89.2 73.3 83.7 62.0 12.2 59.8 G7 1,2,3 84.0 82.6 86.6 72.5 83.3 60.8 14.9 74.2 G8 1,2,3,4 81.6 83.7 81.4 76.6 82.6 61.5 25.6 88.6 表 3 模型在ShipRSImageNet上的实验结果
Table 3 Experimental results of the model on ShipRSImageNet
模型 Ship50/% Dock50/% Precision/% Recall/% mAP50/% mAP50-95/% Params/106 FLOPs/109 YOLOv8s 81.4 81.5 83.0 77.0 81.4 62.2 11.4 29.4 本文模型 87.6 86.9 88.6 78.9 87.3 66.5 23.2 85.4 表 4 改进前后模型在VisDrone2019上的实验结果
Table 4 Experimental results of the model before and after improvement on VisDrone2019
类别 YOLOv8s 本文算法 Precison/% Recall/% mAP50/% mAP50-95/% Precision/% Recall/% mAP50/% mAP50-95/% pedestrian 51.4 23.8 26.2 10.6 48.9 29.0 30.8 (+4.6) 12.9 (+2.3) people 51.2 9.5 13.4 4.6 53.8 12.5 17.8 (+4.4) 6.6 (+2.0) bicycle 28.3 10.7 8.4 3.1 36.3 11.7 12.6 (+4.2) 5.0 (+1.9) car 65.4 71.7 71.0 45.5 67.4 76.4 75.7 (+4.7) 49.2 (+3.7) van 39.4 41.2 36.6 24.3 45.3 42.2 40.4 (+3.8) 27.5 (+3.2) truck 41.8 43.8 39.0 24.3 46.3 46.4 43.3 (+4.3) 28.1 (+3.8) tricycle 23.7 26.2 16.6 8.3 30.4 28.7 20.4 (+3.8) 11.3 (+3.0) awning-tricycle 40.1 20.7 18.5 10.4 47.5 22.2 23.3 (+4.8) 13.7 (+3.3) bus 61.6 54.1 56.2 38.9 67.4 56.3 59.6 (+3.4) 42.2 (+3.3) motor 40.4 32.5 28.0 11.2 46.3 32.7 30.8 (+1.2) 12.7 (+1.5) 所有 44.3 33.4 31.4 18.1 49.0 35.8 35.5 (+4.1) 20.9 (+2.8) 表 5 模型在ShipRSImageNet上的消融实验结果
Table 5 Ablation experiment results of the model on ShipRSImageNet
HSAB WE-
CDFASEAD Ship50/
%Ship50-95/
%Dock50/
%Dock50-95/
%Precision/
%Recall/
%mAP50/
%mAP50-95/
%Params/
106FLOPs/
10981.4 63.0 81.5 61.4 83.0 77.0 81.4 62.2 11.4 29.4 √ 84.7 65.2 84.0 62.4 86.1 78.6 84.3 63.8 12.2 59.8 √ 83.9 64.4 85.2 61.5 83.5 77.4 84.6 63.0 22.0 38.1 √ 84.0 64.7 83.6 62.0 82.5 78.0 83.8 63.4 11.7 48.6 √ √ 84.6 65.0 84.5 65.1 81.1 79.8 84.5 65.1 22.9 68.6 √ √ 88.3 67.7 84.9 63.5 87.2 79.5 86.6 65.6 12.6 79.0 √ √ 87.3 67.0 83.9 61.7 85.1 79.3 85.6 64.4 22.4 57.3 √ √ √ 87.6 68.1 86.9 64.9 88.6 78.9 87.3 66.5 23.2 85.4 注：√表示应用此改进；加粗项为在此改进下效果最优。 表 6 不同模型在ShipRSImageNet上的实验结果
Table 6 Performance comparison of various models on ShipRSImageNet
模型 mAP50/% mAP50-95/% Params/106 FLOPs/109 Faster R-CNN[22] 67.4 43.2 41.6 206.0 SSD[23] 60.5 33.8 24.4 30.7 FCOS[24] 38.3 20.0 32.1 198.0 YOLOX[25] 81.5 59.8 54.2 77.8 DAB-DETR[26] 78.3 57.7 43.7 102.0 DDQ[27] 78.8 59.9 48.3 274.0 CM-YOLO[28] 79.3 60.4 49.72 70.9 A2Net[29] 82.1 64.2 42.5 67.4 SVSDet[30] 84.5 63.6 — — YOLOv8n-obb 80.2 53.4 3.0 8.1 YOLOv8s-obb 81.4 62.2 11.4 29.4 本文模型 87.3 66.5 23.2 85.4 表 7 不同模型在VisDrone2019数据集上的实验结果
Table 7 Experimental results of different models on the VisDrone2019 dataset
模型 mAP50/% mAP50-95/% Params/106 FLOPs/109 YOLOX-Tiny[25] 27.8 14.8 5.0 7.5 RTMDet-Tiny[31] 31.2 18.4 4.8 8.0 RTDETR[32] 33.3 18.5 20.0 60.0 YOLOv8n 25.9 14.4 3.0 8.1 YOLOv8s 31.4 18.1 11.1 28.5 YOLOv8m 33.2 19.0 25.8 78.7 YOLOv10s 32.3 17.9 7.2 21.4 YOLOv10m 34.5 19.5 15.3 58.9 YOLOv11s 31.3 17.6 9.4 12.3 YOLOv11m 35.0 20.3 20.0 67.7 YOLOv12m 33.6 19.2 20.1 67.2 FBRT-YOLO-S[33] 32.3 18.3 2.9 22.9 FBRT-YOLO-M[33] 34.4 19.6 7.36 58.7 本文模型 35.5 20.9 22.9 85.4 -
[1] DALAL N, TRIGGS B. Histograms of oriented gradients for human detection[C]//2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). Piscataway: IEEE, 2005: 886−893. [2] GAN Lu, LIU Peng, WANG Lizhe. Rotation sliding window of the hog feature in remote sensing images for ship detection[C]//2015 8th International Symposium on Computational Intelligence and Design. Piscataway: IEEE, 2016: 401−404. [3] BI Fukun, YANG Zhihua, LEI Mingyang, et al. Airport aircraft detection based on local context DPM in remote sensing images[C]//2019 IEEE International Geoscience and Remote Sensing Symposium. Piscataway: IEEE, 2019: 1362−1365. [4] DIVVALA S K, EFROS A A, HEBERT M. How important are “deformable parts” in the deformable parts model? [C]//Computer Vision–ECCV 2012. Workshops and Demonstrations. Berlin: Springer, 2012: 31−40. [5] WANG Xuan, WANG Aoran, YI Jinglei, et al. Small object detection based on deep learning for remote sensing: a comprehensive review[J]. Remote sensing, 2023, 15(13): 3265. doi: 10.3390/rs15133265 [6] 姬晓飞, 秦宁丽, 刘洋. 多特征的光学遥感图像多目标识别算法[J]. 智能系统学报, 2016, 11(5): 655−662. JI Xiaofei, QIN Ningli, LIU Yang. Research on multi-feature based multi-target recognition algorithm for optical remote sensing image[J]. CAAI transactions on intelligent systems, 2016, 11(5): 655−662. [7] LI Yuanyuan, ZHOU Zhengguo, QI Guanqiu, et al. Remote sensing micro-object detection under global and local attention mechanism[J]. Remote sensing, 2024, 16(4): 644. doi: 10.3390/rs16040644 [8] 魏谢根, 曹林, 田澍, 等. 基于多层级自注意力增强的遥感目标检测[J]. 激光与光电子学进展, 2023, 60(20): 2028004. doi: 10.3788/LOP223048 WEI Xiegen, CAO Lin, TIAN Shu, et al. Remote sensing target detection based on multilevel self-attention enhancement[J]. Laser & optoelectronics progress, 2023, 60(20): 2028004. doi: 10.3788/LOP223048 [9] SU Haozheng, YOU Yanan, MENG Gang. Multi-scale context-aware R-cnn for few-shot object detection in remote sensing images[C]//2022 IEEE International Geoscience and Remote Sensing Symposium. Piscataway: IEEE, 2022: 1908−1911. [10] 姚婷婷, 肇恒鑫, 冯子豪, 等. 上下文感知多感受野融合网络的定向遥感目标检测[J]. 电子与信息学报, 2025, 47(1): 233−243. YAO Tingting, ZHAO Hengxin, FENG Zihao, et al. A context-aware multiple receptive field fusion network for oriented object detection in remote sensing images[J]. Journal of electronics & information technology, 2025, 47(1): 233−243. [11] 文斌, 张俊, 王浚银, 等. 基于FNM-Net的轻量级遥感目标检测算法[J]. 现代电子技术, 2025, 48(13): 1−10. doi: 10.16652/j.issn.1004-373x.2025.13.001 WEN Bin, ZHANG Jun, WANG Junyin, et al. Lightweight remote sensing object detection algorithm based on FNM-Net[J]. Modern electronics technique, 2025, 48(13): 1−10. doi: 10.16652/j.issn.1004-373x.2025.13.001 [12] 周沁坤, 周华平, 孙克雷, 等. ARST-YOLOv7: 用于航空遥感图像的小目标检测网络[J]. 计算机工程与应用, 2025, 61(12): 232−242. doi: 10.3778/j.issn.1002-8331.2406-0167 ZHOU Qinkun, ZHOU Huaping, SUN Kelei, et al. ARST-YOLOv7: small target detection network for aerial remote sensing images[J]. Computer engineering and applications, 2025, 61(12): 232−242. doi: 10.3778/j.issn.1002-8331.2406-0167 [13] LI Wentong, CHEN Yijie, HU Kaixuan, et al. Oriented RepPoints for aerial object detection[C]//2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2022: 1819−1828. [14] 赵文清, 赵振寰, 巩佳潇. 结合倒残差自注意力机制的遥感图像目标检测[J]. 智能系统学报, 2025, 20(1): 64−72. ZHAO Wenqing, ZHAO Zhenhuan, GONG Jiaxiao. Remote sensing image object detection based on inverted residual self-attention mechanism[J]. CAAI transactions on intelligent systems, 2025, 20(1): 64−72. [15] 许思源, 吴伟林. 多尺度特征融合的遥感图像目标检测算法研究[J]. 计算机工程与应用, 2024, 60(23): 249−256. XU Siyuan, WU Weilin. Research on object detection algorithm for remote sensing images based on multi-scale fea-ture fusion[J]. Computer engineering and applications, 2024, 60(23): 249−256. [16] HOU Qibin, ZHOU Daquan, FENG Jiashi. Coordinate attention for efficient mobile network design[C]//2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2021: 13708−13717. [17] HOWARD A G, ZHU Menglong, CHEN Bo, et al. MobileNets: efficient convolutional neural networks for mobile vision applications[EB/OL]. (2017−04−17)[2025−01−01]. https://arxiv.org/abs/1704.04861. [18] LEI Mengqi, WU Haochen, LYU Xinhua, et al. ConDSeg: a general medical image segmentation framework via contrast-driven feature enhancement[J]. Proceedings of the AAAI conference on artificial intelligence, 2025, 39(5): 4571−4579. doi: 10.1609/aaai.v39i5.32482 [19] LAU K W, PO Laiman, REHMAN Y A U. Large separable kernel attention: rethinking the large kernel attention design in CNN[J]. Expert systems with applications, 2024, 236: 121352. doi: 10.1016/j.eswa.2023.121352 [20] CHEN Jierun, KAO S H, HE Hao, et al. Run, don’t walk: chasing higher FLOPS for faster neural networks[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2023: 12021−12031. [21] GUO Menghao, LU Chengze, LIU Zhengning, et al. Visual attention network[J]. Computational visual media, 2023, 9(4): 733−752. doi: 10.1007/s41095-023-0364-2 [22] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]. IEEE transactions on pattern analysis and machine intelligence, 2017, 39(6): 1137−1149. doi: 10.1109/TPAMI.2016.2577031 [23] LIU Wei, ANGUELOV D, ERHAN D, et al. SSD: single shot MultiBox detector[C]//Computer Vision–ECCV 2016. Cham: Springer, 2016: 21−37. [24] TIAN Zhi, SHEN Chunhua, CHEN Hao, et al. FCOS: fully convolutional one-stage object detection[C]//2019 IEEE/CVF International Conference on Computer Vision. Piscataway: IEEE, 2020: 9626−9635. [25] GE Zheng, LIU Songtao, WANG Feng, et al. YOLOX: exceeding YOLO series in 2021[EB/OL]. (2021−07−18)[2025−01−01]. https://arxiv.org/abs/2107.08430. [26] LIU Shilong, LI Feng, ZHANG Hao, et al. DAB-DETR: dynamic anchor boxes are better queries for DETR[EB/OL]. (2022−01−28)[2025−01−01]. https://arxiv.org/abs/2201.12329. [27] ZHANG Shilong, WANG Xinjiang, WANG Jiaqi, et al. Dense distinct query for end-to-end object detection[C]//2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2023: 7329−7338. [28] MIN Lingtong, DOU Feiyang, ZHANG Yani, et al. CM-YOLO: context modulated representation learning for ship detection[J]. IEEE transactions on geoscience and remote sensing, 2025, 63: 4202414. doi: 10.1109/tgrs.2025.3538848 [29] ZHANG Yani, ER M J. Asymmetric aggregation network for accurate ship detection in optical imagery[J]. IEEE transactions on geoscience and remote sensing, 2024, 62: 4211914. doi: 10.1109/tgrs.2024.3481370 [30] LIU Shanwei, BU Xi, XU Mingming, et al. SVSDet: a fine-grained recognition method for ship target using satellite video[J]. IEEE journal of selected topics in applied earth observations and remote sensing, 2024, 17: 4726−4742. doi: 10.1109/JSTARS.2024.3359252 [31] LYU Chengqi, ZHANG Wenwei, HUANG Haian, et al. RTMDet: an empirical study of designing real-time object detectors[EB/OL]. (2022−12−14)[2025−01−01]. https://arxiv.org/abs/2212.07784. [32] ZHAO Yian, LYU Wenyu, XU Shangliang, et al. DETRs beat YOLOs on real-time object detection[C]//2024 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2024: 16965−16974. [33] XIAO Yao, XU Tingfa, XIN Yu, et al. FBRT-YOLO: faster and better for real-time aerial image detection[J]. Proceedings of the AAAI conference on artificial intelligence, 2025, 39(8): 8673−8681. doi: 10.1609/aaai.v39i8.32937
