Feature reassembly and self-attention for oriented object detection in remote sensing images

作者：Lingtong Min, Ziman FAN, Xingxing Xie, Qinyi LYU · 发表于：National Remote Sensing Bulletin · 年份：2023 · DOI：10.11834/jrs.20233456 · 被引用次数：1 · 研究领域：Remote-Sensing Image Classification

遥感图像有向目标检测是一项非常有挑战性的任务，受到了广泛的关注。随着深度学习的迅速发展，基于卷积神经网络（CNN）和自注意力网络（Transformer）的神经网络在有向目标检测方面取得了显著成果。然而，对于遥感图像中的有向目标，仍然存在对边界信息和显著特征信息的关注不足的问题。其中，不同方向目标的边界信息有限且难以提取，而显著特征的全局依赖关系相对稀疏。因此，本文提出了基于特征重组和自注意力的遥感图像有向目标检测方法。该方法主要包括空间通道重组的回归分支和自注意力分类分支。其中，回归分支通过在通道维度中重组空间信息，更加关注边界敏感信息，以实现对定位框的精确定位。分类分支依据带有位置信息的自注意力捕获目标根本判别性的特征，并增强特征的全局依赖性，从而实现准确分类。通过广泛的实验验证，证明了所提出模型的有效性和鲁棒性。在公开数据集DOTA、HRSC2016和SODA-A上表现优秀。