计算机应用

作者：刘赏, 周煜炜, 代娆, 董林芳, 刘猛

单位：1.天津财经大学 理工学院，天津 300222；2.河北省水文工程地质勘查院（河北省遥感中心），石家庄 050021

关键词：遥感图像,小目标检测,稀疏采样,局部上下文信息增强,多尺度特征融合

基金：河北省财政项目(13000023P00F2D410374D);天津市科技计划项目(22ZLZKZF00480)

对多尺度的遥感图像进行小目标检测时，基于深度学习的目标检测算法容易出现误检和漏检的情况。这是因为此类算法的特征提取模块进行了多次的下采样操作；而且未能根据不同类别、不同尺度的目标关注所需的上下文信息。为了解决该问题，提出一种融合注意力和上下文信息的遥感图像小目标检测算法ACM-YOLO（Attention-Context-Multiscale YOLO）。首先，应用细粒度的查询感知稀疏注意力以减少小目标特征信息的丢失，从而避免漏检；其次，设计局部上下文增强（LCE）函数以更好地关注不同类别的遥感目标所需的上下文信息，从而避免误检；最后，使用加权双向特征金字塔网络（BiFPN）强化特征融合模块对遥感图像小目标的多尺度特征融合能力，从而改善算法检测效果。在DOTA数据集和NWPU VHR-10数据集上进行对比实验和消融实验，以验证所提算法的有效性和泛化性。实验结果表明，在2个数据集上所提算法的平均精确率均值（mAP） 分别达到了77.33%和96.12%，而相较于YOLOv5算法，召回率分别提升了10.00和7.50个百分点。可见，所提算法能有效提升mAP和召回率，减少误检和漏检。

来源：2025年第1期

《计算机应用》期刊编辑部

查看计算机应用杂志2025年第1期