目标检测——day55 Feature Split–Merge–Enhancement Network for Remote Sensing Object Detection

最新推荐文章于 2024-12-29 12:15:14 发布

原创

最新推荐文章于 2024-12-29 12:15:14 发布 · 1.1k 阅读

2 ·

CC 4.0 BY-SA版权

文章标签：

#目标检测 #计算机视觉 #深度学习

提出了一种名为FeatureSplit–Merge–Enhancement Network的新型网络结构，该网络通过独特的FSM模块和OSE策略来解决遥感图像中小物体检测的挑战。此外，OER模块改善了特征图之间的空间布局一致性。

Feature Split–Merge–Enhancement Network for Remote Sensing Object Detection

I. INTRODUCTION
IV. EXPERIMENTS

Remote Sensing Object Detection)

I. INTRODUCTION

在这里插入图片描述

Challenges：

遥感图像通常包含被复杂的周围环境淹没的小物体
物体在同一场景中密集分布

II. RELATED WORK

III. METHOD

在这里插入图片描述

For the input image:

首先使用 backbone（VGG-16）来获得多层特征图
然后，采用FSM模块和OSE策略，得到更有效的特征图；OER模块修正了网络训练过程中多层次特征图之间对象空间布局的不一致性
最后，使用不同的检测头进行盒回归和分类

A. FSM Module

在这里插入图片描述

浅层特征图具有丰富的详细特征，但缺乏语义特征。相反，深度特征映射具有较强的语义特征表示能力，但失去了许多详细的特征。

最低0.47元/天解锁文章

确定要放弃本次机会？

福利倒计时

: :

立减 ¥

普通VIP年卡可用

立即使用

想太多!

关注关注

3
点赞
踩
2

收藏

觉得还不错? 一键收藏
0
评论
分享

复制链接

分享到 QQ

分享到新浪微博

扫一扫
举报

举报

专栏目录

深度学习论文: Remote Sensing Image Object Detection Based on Angle Classification

mingo_敏

11-10

2660

深度学习论文: Remote Sensing Image Object Detection Based on Angle Classification及其PyTorch实现 Remote Sensing Image Object Detection Based on Angle Classification PDF: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9521517 PyTorch代码: https://github.c

【经典论文解读】YOLOv4 目标检测

黎国溥

08-14

7795

前言 YOLO是一种目标检测方法，它的输入是整张图片，输出是n个物体的检测信息，可以识别出图中的物体的类别和位置。YOLOv4是在YOLOv3算法的基础上增加了很多实用的技巧，使得它的速度与精度都得到了极大的提升。 YOLOv4版本设计思路如下：输入端：在模型训练阶段，使用了Mosaic数据增强、cmBN跨小批量标准化、SAT自对抗训练； BackBone层：也称主干网络，使用CSPDarknet53网络提取特征；同时使用Mish激活函数、Dropblock正则化；CSP 跨阶段部分连接。 N.

参与评论您还未登录，请先登录后发表或查看评论

【论文阅读】LSKNet: Large Selective Kernel Network for Remote Sensing Object Detection

最新发布

weixin_55282718的博客

12-29

415

(A)基于边界框的物体检测 (B) 实例分割 (C) 全景分割物体检测旨在找到图像或3D数据中所有感兴趣物体的位置和类别；通常，结果采用边界框的形式。实例分割旨在描绘单独检测到的对象的提取边界。当背景对象/场景类别感兴趣时，可以采用全景分割来提取这些对象所在的背景类别。

【目标检测论文阅读笔记】Feature-Enhanced CenterNet for Small Object Detection in Remote Sensing Images

YoooooL_的博客

05-11

2005

与 anchor-based基于锚点的检测器相比，。然而，在复杂的遥感场景中，使得小目标检测成为一项具有挑战性的任务。为了解决这些问题，我们提出了一种名为的无锚检测器，它。首先，我们设计了一个由特征聚合结构（FAS）和注意力生成结构（AGS）组成的。该模块通过挖掘多尺度上下文信息并结合坐标注意机制有助于抑制场景中虚警的干扰，从而提高对小目标的感知。同时，为了满足小目标的高定位精度要求，我们提出了一种新的损失函数。最后，为验证算法性能并为后续研究提供基础，我们。

Multistage Enhancement Network for Tiny Object Detection in Remote Sensing Images

weixin_47020721的博客

08-17

798

小目标检测面临着两个挑战：1、Iou对微小物体位置偏差的高灵敏度2、微小物体低质量特征表示为了解决上述问题，我们提出了多阶段增强网络MENet，该网络完成了对检测器多个阶段微小物体的实例级和特征级增强，由于基于IoU的标签分配极大地恶化了微小物体的正样本，我们首先提出了一种基于中心区域（CR）的标签分配，以在区域建议网络（RPN）中替换它。CR标签分配将落入地面真值框CR中的锚点视为阳性样本，这为微小物体提供了更多的阳性样本。

目标检测经典论文——Faster R-CNN论文翻译：Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Net

bigcindy的博客

07-29

5557

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks Faster R-CNN：通过Region Proposal网络实现实时目标检测 Shaoqing Ren, Kaiming He, Ross Girshick, and Jian Sun Abstract State-of-the-art object detection networks depend on r...

Transferred Deep Learning-Based Change Detection in Remote Sensing Images

weixin_40220222的博客

05-13

2466

基于深度迁移学习的遥感图像变化检测（Transferred Deep Learning-Based Change Detection in Remote Sensing Images）论文详解在解读该论文之前，先简单介绍两个简单的网络结构，第一个是2016年发表在ECCV的一篇文章《Deep Reconstruction-Classification Networks for Unsupervi...

论文阅读——Large Selective Kernel Network for Remote Sensing Object Detection

醋酸洋红的博客

10-07

2011

首先，我们将不同感受野范围的不同核的特征进行串联，然后采用基于通道的平均和最大池化方法有效地提取空间关系，将空间融合的特征进行串联，并使用卷积层将融合的特征(2通道)转换为N个空间注意图，对于每个空间注意图̂SAi，使用一个sigmoid激活函数，对分解后的每个大核分别获得单个空间选择掩码，将分解后的大核序列中的特征按其对应的空间选择掩模加权，再经卷积层融合得到注意特征S。相反，这些物体的成功识别往往依赖于它们的上下文，因为周围的环境可以提供关于它们的形状、方向和其他特征的有价值的线索。

【遥感目标检测论文阅读（一）】Large Selective Kernel Network for Remote Sensing Object Detection

weixin_45457604的博客

01-26

3877

近年来遥感目标检测忽略了遥感场景中独特的有用先验知识，微小的遥感目标可能会因为没有参考足够远的背景导致错误的检查，而且不同尺寸的目标需要的上下文信息可能会有所不同。提出轻量级大选择核网络(LSKNet)，可以动态调整其感受野范围，更好地模拟遥感场景中各种物体的测距环境，提供所需上下文信息。

【论文阅读笔记】FPN：Feature Pyramid Networks for Object Detection

梁瑛平的博客

02-10

651

FPN：Feature Pyramid Networks for Object Detection（一）论文地址：（二）核心思想：（三）Introduction：（四）网络结构：4.1 Bottom-uppathway：4.2 Top-down pathway and lateral connections：（五）嵌入到 Fast-RCNN 中：（六）训练细节：（七）实验结果：（一）论文地址： ...

ICCV 2023 | 南开大学提出LSKNet：遥感旋转目标检测新SOTA

Paper weekly

07-20

1115

©作者 |李宇轩单位|伦敦大学学院论文题目：Large Selective Kernel Network for Remote Sensing Object Detection论文链接：https://arxiv.org/pdf/2303.09030.pdf代码链接：https://github.com/zcablii/LSKNet最近关于遥感物体检测的研究主要集中在改进旋转包围框的表示方法...

Yolov8 引入ICCV 2023 | 南开大学提出LSKNet：遥感旋转目标检测新SOTA | 助力backbone

①答疑群聊服务；②YOLO大模型知识问答系统；③计算机视觉论文生成智能体；

07-27

1601

LSKNet在遥感旋转目标检测取得重大突破，本文引入LSKNet，用于优化yolov8，替换新backbone:lsknet_t,lsknet_s

(CVPR-2019)选择性的内核网络

顾道长生的科研笔记

07-28

1953

在标准的卷积神经网络（CNN）中，每层的人工神经元的感受野被设计成具有相同的大小。在神经科学界众所周知，视觉皮层神经元的感受野大小受刺激的调节，这在构建CNN时很少被考虑。我们提出了一种CNN中的动态选择机制，允许每个神经元根据输入信息的多个尺度来适应性地调整其感受野的大小。我们设计了一个叫做选择性核（SK）单元的构件，其中具有不同核大小的多个分支在这些分支的信息指导下，使用softmax注意力进行融合。对这些分支的不同关注产生了融合层中神经元的有效感受野的不同大小。...

旋转目标检测 校准的深度特征用于目标检测SSA

jacke121的专栏

07-09

2131

旋转目标检测 校准的深度特征用于目标检测SSA

Object Detection of Remote Sensing Images

qq_43578042的博客

04-17

172

总之，为了解决在密集场景和复杂背景下检测小物体的困难，同时保持相对较高的精度，一种基于多核扩张卷积（MDC）和变压器的新型单阶段物体检测模型MDCT for RSOD 本文提出了块。卷积与扩张卷积的不同之处在于，卷积中的像素是连续的并且集中于卷积的特征。因此，我们的工作重点是密集场景和复杂背景中的小物体，并提出了一种基于多核扩张卷积和变压器的新型单阶段物体检测模型。此外，一阶段目标检测模型中主要的级联方法与上下文无关，容易导致特征信息丢失，在密集场景和复杂背景下难以区分目标和背景特征。

【论文阅读】Transformer with Transfer CNN for Remote-Sensing-ImageObject Detection

Billie使劲学的博客

04-08

2451

题目：用于遥感图像目标检测的Trans CNN-Transformer 目录摘要 1. Introduction 2. The Proposed Transformer-Based RSI Object-Detection Framework 2.1. The Framework of the Proposed TRD 2.2. The Deformable Attention Module 2.3. The Attention-Based Transferring Backbone .

FEN Self-Supervised Feature Enhancement Networks for Small Object Detection in Noisy Images

YoooooL_的博客

11-30

969

例如，无人机或飞机拍摄的航拍图像覆盖范围很广，因此，图像中物体的大小比传统图像要小得多。目标检测器的权重和 FEN 的 Θk。固定的 FEN 增强了基于 CNN 的有噪声的深度特征，然后将它们传递到目标检测器的以下模块（即 RPN、Head）。之后，目标检测器的权重是固定的，FEN 的 Θk。DOTA数据集：与现有的两种方法不同，FEN是在特征空间中执行的，并且表现出更大的性能改进，主要是在应用于高层特征时。与现有的图像级去噪方法相比，我们的方法在小物体中表现出更高的激活，并且可以很好地找到边界框。