CFC-Net:一种用于遥感图像中任意朝向目标检测的关键特征捕获网络
计算机视觉与模式识别
2021-08-17 v2
摘要
光学遥感图像中的目标检测是一项重要且具有挑战性的任务。近年来,基于卷积神经网络的方法取得了良好进展。然而,由于目标尺度、长宽比和任意方向的大幅变化,检测性能难以进一步提升。本文中,我们讨论了判别性特征在目标检测中的作用,进而提出一种关键特征捕获网络(CFC-Net),从三个方面提升检测精度:构建强大的特征表示、精炼预设锚框和优化标签分配。具体而言,我们首先解耦分类与回归特征,然后通过极化注意力模块(PAM)构建适应各自任务的鲁棒关键特征。利用提取的判别性回归特征,旋转锚框精炼模块(R-ARM)对预设水平锚框进行定位精炼,以获得更优的旋转锚框。接着,给出动态锚框学习(DAL)策略,基于锚框捕获关键特征的能力自适应选择高质量锚框。所提框架为遥感图像中的目标创建了更强大的语义表示,并实现了高性能实时目标检测。在HRSC2016、DOTA和UCAS-AOD三个遥感数据集上的实验结果表明,与许多最先进方法相比,我们的方法取得了优越的检测性能。代码与模型见https://github.com/ming71/CFC-Net。
引用
@article{arxiv.2101.06849,
title = {CFC-Net: A Critical Feature Capturing Network for Arbitrary-Oriented Object Detection in Remote Sensing Images},
author = {Qi Ming and Lingjuan Miao and Zhiqiang Zhou and Yunpeng Dong},
journal= {arXiv preprint arXiv:2101.06849},
year = {2021}
}
备注
Accepted to IEEE Transactions on Geoscience and Remote Sensing