摘要：為了改善遙感圖像中目標(biāo)邊緣特征模糊以及細(xì)粒度目標(biāo)之間特征相似導(dǎo)致檢測精度不高的問題，提出了一種結(jié)合邊緣增強(qiáng)和混合注意力機(jī)制的遙感圖像檢測方法。針對目標(biāo)邊緣特征模糊問題，通過反銳化掩膜（Unsharp Masking，USM）方法對遙感圖像進(jìn)行增強(qiáng)處理，幫助模型捕獲更多邊緣特征。針對細(xì)粒度目標(biāo)之間特征相似問題，在特征提取階段引入空間和通道擠壓與激勵（Spatial and Channel Squeeze & Excitation， scSE）混合注意力機(jī)制，增強(qiáng)目標(biāo)的辨識特征。在公開的遙感圖像數(shù)據(jù)集HRSC2016上的實驗結(jié)果表明，所提方法的檢測精度達(dá)到85.15%，提高了艦船細(xì)粒度目標(biāo)的檢測準(zhǔn)確率。

關(guān)鍵詞：遙感圖像；HRSC2016；細(xì)粒度檢測；USM銳化；注意力機(jī)制

中圖分類號：TP751 文獻(xiàn)標(biāo)識碼：A

文章編號：1009-3044（2024）19-0023-04

0 引言

隨著遙感技術(shù)的發(fā)展，遙感圖像逐漸大數(shù)據(jù)化，相應(yīng)的對遙感圖像的處理技術(shù)要求也越來越高，目標(biāo)檢測也是遙感圖像處理的重要內(nèi)容之一[1]。目前，針對自然圖像的目標(biāo)檢測算法已經(jīng)越來越成熟，在實際中也得到了廣泛應(yīng)用。然而，相比于自然圖像，遙感圖像的背景往往更復(fù)雜，噪聲干擾更嚴(yán)重，且呈現(xiàn)目標(biāo)密集、方向任意等特點[2-3]，因此，自然圖像的目標(biāo)檢測算法并不能完全適用于遙感圖像。

目前，基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測主要有三種方法，即水平框目標(biāo)檢測算法、改進(jìn)的有向目標(biāo)檢測算法和有向目標(biāo)檢測算法[4-5]。一些經(jīng)典的水平框目標(biāo)檢測算法已被廣泛應(yīng)用于遙感圖像目標(biāo)檢測，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，這些應(yīng)用存在一定的局限性，當(dāng)目標(biāo)的傾斜角度較大時會引入過量的背景信息，而當(dāng)目標(biāo)比較密集時，會出現(xiàn)特征重疊的情況。為改善這些情況，許多學(xué)者采用角度回歸的方法，將水平目標(biāo)檢測算法如YOLO系列[9]和FCOS（Tian等，2019） [10]等進(jìn)行改進(jìn)，生成傾斜的檢測框，但這些改進(jìn)方法并不能完全表現(xiàn)出目標(biāo)的準(zhǔn)確朝向。

近年來，部分學(xué)者提出了一系列針對遙感圖像目標(biāo)檢測的算法，進(jìn)一步改善了目標(biāo)密集和方向任意的問題。如旋轉(zhuǎn)敏銳檢測器（RSDet（Qian等，2019）） [11]算法，采用調(diào)制旋轉(zhuǎn)損失函數(shù)消除損失不連續(xù)性，并將損失函數(shù)與八參數(shù)回歸相結(jié)合，改善了參數(shù)回歸不一致的問題；動態(tài)細(xì)化網(wǎng)絡(luò)（DRN（Pan等，2020）） [12]算法，使用可自適應(yīng)調(diào)整目標(biāo)感受野的特征選擇模塊和動態(tài)優(yōu)化檢測頭，改善了遙感圖像中目標(biāo)密集與方向任意的問題；Oriented R-CNN（Xie等，2021） [13]算法，是一種通用的雙階段定向檢測器，第一階段通過定向RPN 生成定向建議，第二階段采用定向R-CNN頭來對建議進(jìn)行分類和細(xì)化空間位置，具有良好的精度和效率；ReDet（Han等，2021） [14]算法，提出了一個旋轉(zhuǎn)等變檢測器，將旋轉(zhuǎn)等變網(wǎng)絡(luò)結(jié)合到檢測器中以提取旋轉(zhuǎn)等變特征，從而準(zhǔn)確地預(yù)測方向；Oriented RepPoints（Li 等，2022） [15]是在點集表示的RepPoints（Yang 等，2019） [16]算法的基礎(chǔ)上，引入自適應(yīng)點表示不同的方向、形狀和姿勢，不僅可以精確定位任意方向目標(biāo)，還可以捕獲目標(biāo)的底層幾何結(jié)構(gòu)。

盡管目前遙感圖像目標(biāo)檢測算法已經(jīng)取得較好的檢測性能，但多數(shù)檢測算法在粗粒度目標(biāo)檢測中表現(xiàn)較好，而在細(xì)粒度目標(biāo)檢測中表現(xiàn)較差。因此，為了提高遙感圖像細(xì)粒度目標(biāo)檢測精度，本文在有向目標(biāo)檢測器Oriented RepPoints的基礎(chǔ)上，結(jié)合了邊緣增強(qiáng)方法與混合注意力機(jī)制模塊，以改善遙感圖像中目標(biāo)邊緣特征模糊與細(xì)粒度目標(biāo)間特征相似的問題。

1 數(shù)據(jù)集

HRSC2016（High Resolution Ship Collections 2016） 是由西北工業(yè)大學(xué)于2016年發(fā)布的一個用于科學(xué)研究的數(shù)據(jù)集。目前，HRSC2016中的所有圖像均來自谷歌地球。該數(shù)據(jù)集包含了海上艦船和近岸艦船兩種場景的圖像，總共包含1 680張圖像，其中有效標(biāo)注的圖像為1 061張。圖像分辨率在0.4～2m，圖像尺寸從300×300像素到1 500×900像素不等。數(shù)據(jù)集的標(biāo)注將艦船目標(biāo)劃分為三個級別進(jìn)行分類：一級類別為船（ship） ，二級類別包括航母（aircraft carrier） 、軍艦（warcraft） 、商船（merchant ship） 和潛艇（submarine） 。