谢星星，程塨，韩军伟等｜大幅面遥感图像高效目标检测（已开源）

研究意义

随着成像技术的进步，星载/机载平台获取的遥感图像尺寸越来越大，例如一景高分二号图像，大小可达29200×27620像素。作为图像解译的一个关键任务，大幅面遥感图像目标检测已成为一项重要的研究课题并受到广泛关注。

在深度学习技术和大规模数据库的推动下，大幅面遥感图像目标检测在精度方面已取得显著的进步，但是如何实现大幅面图像高效目标检测仍是一项极具挑战性的任务。当前主流检测器通常以滑窗的方式将原始大图切分成固定尺寸的图像块，然后依次对每一个图像块进行检测，最后将检测结果进行合并。

然而，大幅面遥感图像中的目标通常是稀疏分布的并且聚集在一定的区域，例如飞机通常聚集在机场，如图1所示。将这些原始大图切分后通常会形成大量不包含目标的图像块，极大地消耗检测器的计算资源、制约检测效率、增加检测虚警。因此，如何准确判断图像块是否包含目标对提升检测效率有着重要的研究意义。

图1 大幅面遥感图像目标分布示例。中间图像为29200×27620像素的高分二号图像，左、右侧图像代表被放大后的图像块 (1024×1024像素)，绿色和红色框为桥和飞机的边界框标注

本文工作

为解决上述问题，本文提出一个轻量级的目标属性激活网络 (Objectness Activate Network, OAN) 来判断图像块中是否包含目标，从而指导检测器只关注包含目标的图像块，实现更高效、更精确的检测。OAN构建在通用基础骨干网络上，采用网格化的策略，将每个图像块划分为16×16的网格，通过少量卷积层输出图像块对应的目标属性激活图。激活图不同位置的响应值代表对应网格包含目标的概率。

图2 目标属性激活网络OAN与主流检测器集成，构成统一、高效的大幅面遥感图像目标检测框架

由于OAN简单的全卷积设计范式，它可以便捷地集成到当前主流检测器中，构成统一、高效的大幅面遥感图像目标检测框架，并通过多任务损失函数进行端到端训练，如图2所示。具体来说，给定一幅大幅面图像，先通过步长为824的滑窗将其裁切成1024×1024的图像块，然后使用OAN输出的目标属性激活图的最大响应值作为判断图像块中是否包含目标的置信得分，当该得分大于阈值，则视为图像块中包含目标。最后对包含目标图像块进行检测。

实验结果

本文所提出方法在遥感图像目标检测数据库DOTA和大幅面高分二号图像上进行了验证。表1展示了所提方法在DOTA-v1.0数据库的实验结果，使用目标属性激活网，将当前5种主流检测器的推理速度提升30.0%，并改善检测精度。

表1 目标属性激活网在DOTA-v1.0数据库上的检测结果，蓝色数字代表推理速度增益

图3展示了OAN在高分二号图像 (29200×27620像素) 上检测的可视化结果，通过目标属性激活网络，可以滤除一景高分二号图像中86%的无目标图像块，在不损失检测精度的同时，将检测器推理速度提升70.5%。

图3 高分二号检测可视化结果。左侧白色区域代表被目标属性激活网络判定为包含目标的图像块，中间和右侧图像表示包含目标图像块对应的激活图和检测结果

文章信息