面向遥感语义认知的特征融合检测器

遥感图像的价值在许多领域至关重要，并需要通过一些认知方法来精细化。遥感检测是实现语义认知的恰当途径。然而，由于尺度多样性、视角多样性、小物体、复杂的光影背景，此类检测是一个具有挑战性的问题。在本文中，受最先进检测框架 FPN 的启发，我们提出了一种构建特征融合模块以优化检测中特征上下文利用的新方法，称我们的系统为 LFFN（层弱化特征融合网络）。我们探究了不同层与最终决策的内在关联，以及高层特征对低层特征的激励作用。更重要的是，我们探究了不同骨干网络在基础特征挖掘与卷积通道关联利用上的特性，并将升级版本称为进阶 LFFN。基于 Google Earth 遥感数据集上的实验，我们的 LFFN 被证明对遥感语义认知有效且实用，取得了 89% 的 mAP，比 FPN 高出 4.1%。此外，在泛化性能方面，LFFN 在 VOC 2007 上取得 79.9% mAP，在 VOC 2012 test 上取得 73.0% mAP，而进阶 LFFN 在 VOC 2007 和 2012 上分别取得 80.7% 和 74.4% 的 mAP，优于可比较的最先进 SSD 和 Faster R-CNN 模型。