残差对抗目标检测算法的遥感图像检测_黄玉玲.pdf

引用格式:黄玉玲，陶昕辰，朱涛，等 残差对抗目标检测算法的遥感图像检测 J 电光与控制，2023，30(7):63-67 HUANG Y L,TAO X C,ZHUT,et al A remote sensing image detection method based on residuals adversarial object detection algorithmJ Electronics Optics Control,2023,30(7):63-67残差对抗目标检测算法的遥感图像检测黄玉玲1，陶昕辰1，朱涛1，司俊文1，吕昌东1，吴迪1，沈占锋1，2(1 苏州大学，江苏 苏州215000;2 中国科学院空天信息创新研究院，北京100000)摘要:针对遥感图像目标检测的目标尺度小、分辨率过低的问题，提出残差对抗目标检测算法的遥感图像检测方法。通过残差对抗的方式对图像的特征信息进行重构，完成图像分辨率的提升。在 Backbone 主干网络提取图像特征信息的基础上由 Neck 结构将特征进行融合，最后由 CIoU_Loss 损失函数提高定位回归精度，提高模型性能。实验结果表明，与其他算法相比，在平均精确率、平均召回率、平均综合指标 F1 值、平均 mAP 值方面分别提高了8 15%，6 9%，7 15%，6 75%。所提算法在低分辨率遥感图像目标检测方面准确性较高，对遥感图像小目标检测效果较好。关键词:遥感;目标检测;超分辨率;残差对抗中图分类号:P237文献标志码:Adoi:10 3969/j issn 1671 637X 2023 07 011A emote Sensing Image Detection Method Based onesiduals Adversarial Object Detection AlgorithmHUANG Yuling1,TAO Xinchen1,ZHU Tao1,SI Junwen1,LYU Changdong1,WU Di1,SHEN Zhanfeng1,2(1 Soochow University,Suzhou 215000,China;2 Aerospace Information esearch Institute,Chinese Academyof Sciences,Beijing 100000,China)Abstract:Aiming at the problems of small object scale and low resolution in remote sensing image objectdetection,a remote sensing image detection method based on residual adversarial object detection algorithmis proposed in this paper The feature information of the image is reconstructed through residualadversarialism,so as to realize the improvement of image resolution Based on image feature informationwhich is extracted by Backbone network,the features are fused by Neck structure Finally,the CIoU_Lossfunction is designed to increase the regression accuracy,and improve model performance Experimentalresults show that,compared with other algorithms,the mean precision,mean recall,mean F1-score and meanmAP value of this algorithm are improved by 8 15%,6 9%,7 15%and 6 75%respectively Thealgorithm has high accuracy in object detection in low-resolution remote sensing images,and has good effecton small object detection in remote sensing imagesKey words:remote sensing;object detection;super-resolution;residual adversarialism0引言近几年来，随着卫星和航拍飞机的发展，越来越多的遥感图像 1 被广泛应用于日常生活 2 或军事作战 3 4。因为遥感图像的尺度跨度大、目标尺寸小，遥感图像的目收稿日期:2022-06-17修回日期:2022-07-10基金项目:国家自然科学基金(41971375);国家重点研发计划项目(2021YFB3900500，2021YFC1523503);苏州大学“大学生创新创业训练计划”资助(202110285074K)作者简介:黄玉玲(1999)，女，壮族，广西百色人，学士。通讯作者:吴迪(1980)，男，江苏徐州人，博士，讲师，硕导。标检测较为困难，所以提高遥感图像的检测效果是当前亟待解决的问题。早期的如 CH 算法、LBP 算法、Gabor 算法5 7 等算法为遥感图像的场景分类、目标识别做出了巨大的贡献。随着计算机运算速度的提升，基于卷积神经网络CNN 的目标检测算法逐渐发展起来。2014 年出现的-CNN8 算法是最早并成功使用 CNN 实现目标检测的算法;后来，Fast-CNN9 算法将提取到的图像特征映射到所有区域上，大幅度提高了检测效率;Faster-CNN10 算法从 CNN 网络中生成区域提案，实现了权值共享;接着 Mask-CNN11 算法采用了特征金字塔12 第 30 卷第 7 期2023 年 7 月电光与控制Electronics Optics ControlVol 30No 7July 2023作为主干网络，生成多尺度特征图。上面提到的双阶段目标检测算法检测步骤大致分为两步:一是生成大量候选区域，二是对这些区域进行回归和分类。这类算法能够提高目标检测的精确度，但是检测速度较慢。2016 年，EDMON 等13 正式提出 YOLO 算法，该算法将输入图像划分为网格，网格中的单元格负责检测一定数量的目标;YOLOv214 和 YOLOv315 通过使用更强大的骨干网络来提高性能;YOLOv416 则有更强特征提取能力的网络骨干，结合空间金字塔和路径聚合网络融合特征;YOLOv5 相比 YOLOv4 而言检测速度提高了许多。针对 YOLO 算法小目标检测精度低的问题，LIU 等17 提出了 SSD 算法，该类算法被称为单阶段目标检测算法。单阶段目标检测算法可以直接通过深度人工神经网络提取目标的特征来预测目标的分类以及位置，这种方法能够大幅度提高检测速度。目前，深度人工神经网络目标检测算法已被广泛应用于遥感图像检测。以 YOLOv3 网络为基础，采用深度残差收缩模块重构特征提取网络，唐建宇等18 有效解决了遥感图像目标方向不同引起的目标检测效果不佳等问题;严开忠等19 引入深度可分离卷积改进 YOLOv3 的骨干网络，提高算法的检测速度，有效解决了无人机机载平台计算力受限的问题。尽管遥感目标检测方面已经有了很多研究成果，但是目前遥感目标检测仍存在目标尺度小而分辨率相对目标来说过低等问题。针对以上问题，本文提出残差对抗目标检测算法的遥感图像检测方法。使用残差对抗结构提升体系分辨率，提高输出图像的感知质量。由 BackBone 网络结构提取特征，使用 Neck 结构融合图像特征，采用 CIoU_Loss 函数提高定位回归精度，实现了遥感图像的目标检测。实验结果表明，本文算法能够识别低分辨率下的目标，提升了算法对小目标的检测精确度。1目标检测方法本章的主要目标是构建目标检测网络。该网络由BackBone 主干网络提取出图像的特征，使用 Neck 结构融合特征，输出大小不同的检测结果，最后利用 CIoU_Loss 函数提高模型的性能。1 1目标检测网络结构目标检测可以快速预测出遥感图像中物体的类别，同时标记出物体的位置。本文借鉴 YOLOv5 目标检测算法构建了检测速度快、精确率高的遥感图像目标检测算法，其网络结构如图 1 所示。本文的遥感图像目标检测网络结构框架由输入端、BackBone 主干网络、Neck 结构和输出网络 4 个部分组成。输入端对遥感图像进行随机的缩放、检测、排序等一系列操作;BackBone 主干网络的注意力模块对图像进行了切片操作，保留图像更多的特征信息，特征网络将图像不同层次的特征提取出来;再输入至金字塔池化模块，对同一特征图的特征进行不同尺度的提取;然后将特征图输入 Neck 结构，Neck 结构的特征金字塔将深层的语义信息传至浅层，路径聚合网络将浅层的定位信息传到深层，选择不同大小的特征图来检测大小不同的遥感目标;最后整合所有信息形成检测结果，再通过损失函数反馈优化网络。图 1目标检测网络结构图Fig 1Structure diagram of object detection network1 2损失函数本文的目标检测算法使用 CIoU_Loss 函数作为预测框回归的损失函数，用来衡量预测框与真实框之间的重合度。CIoU_Loss 函数具体表达形式为fCIoU_Loss=1 CCIoU=1 IIoUL21L222(1 IIoU)+()(1)=42arctanwghg arctanwph()p2(2)式中:IIoU是指真实框和预测框交集区域面积和并集区域面积之间的比值;L1表示两框中心点的欧氏距离;L2表示真实框与预测框的对角线长度;wg和 hg分别为预测框的宽度和高度，下标 g 表示真实框;wp和 hp分别为预测框的宽度和高度，下标 p 为预测框。CIoU_Loss 函数能够使本文的网络在训练时更快地收敛预测框，使得网络在预测框定位时精度更高，提高模型性能。2残差对抗目标检测算法目标检测网络面对大尺度的遥感图像来讲，其中的目标过于渺小，常常因为遥感目标的分辨率不高导致识别准确率低。因此，本文提出残差对抗目标检测算法，在残差对抗网络提高遥感图像分辨率的基础上结合目标检测网络识别目标类别及定位信息，实现遥感图像目标的检测。其网络结构如图 2 所示。低分辨率遥感图像经过一个卷积层(Conv)提取图像的局部特征信息，再进入 6 个密集残差块构成的密集残差网络，密集残差块以卷积层和 Leaky eLU 为46第 30 卷电光与控制黄玉玲等:残差对抗目标检测算法的遥感图像检测残差单位，进行残差映射，通过局部密接连接最大限度获取图像的细节信息。通过卷积层(Conv)、上采样模块(Upsampling)和两层卷积层(Conv)将局部特征与全局特征融合在一起，再对特征的空间层进行重构，实现图像分辨率的提升。由注意力模块(Focus)拓宽通道，提取下采样信息。由 CBL 基本组件与 CSP 网络交替形成的特征网络提取图像特征。金字塔池化模块提取不同尺寸的目标特征输出至 Neck 网络。Neck 网络中的特征提取网络将语义特征与定位特征融合，从而识别到遥感图像上不同尺寸的目标。图 2残差对抗目标检测算法网络结构图Fig 2Structure of residuals adversarialobject detection algorithm本章提出的残差对抗目标检测算法，通过残差对抗的方式提取图像的细节信息，将图像的局部特征与全局特征进行融合，对特征进行重构，提升了遥感图像的分辨率，再识别和定位遥感图像的信