Remote sensing object detection via local parameter-free attention and combined loss

目的遥感目标检测技术在遥感测绘、智慧城市、乡村振兴和国防军事等领域具有广泛应用，但遥感影像存在背景信息复杂、待检目标小且多等特点，导致目标特征随着网络加深淹没在背景信息中，不利于后续检测任务。针对此问题，基于YOLOv5s（you only look once）网络，提出一种局部无参注意力和联合损失的遥感目标检测方法。方法首先提出一种局部无参注意力机制，能够根据当前特征提高局部区域内的目标关注度，而不引入训练参数，以此构建无参注意力残差块，并将其嵌入到骨干网络的不同阶段，实现多尺度目标特征增强和背景信息抑制。在此基础上，利用最优传输距离度量边界框的相似性，构造W-CIoU（Wassertein-complete intersection of union）联合度量方法和相应损失函数，以缓解锚框与真实框差异过大导致的标签误分配问题，降低小目标漏检率。结果在RSOD（remote sensing object detection）和RSSOD（remote sensing super-resolution object detection）数据集上的实验结果表明，该方法在保证模型参数量和复杂度基本不变的前提下，其平均精度均值（mean average precision， mAP）分别达到98.2%及87.4%，相较两种主要对比方法DAB-DETR（dynamic anchor boxes for detection Transformer）和YOLOv8s，在RSOD数据集上分别提升0.8%和0.3%，在RSSOD数据集上分别提升2.9%和2.6%。结论本文方法能够抑制背景信息并增强目标特征，提高检测性能，相较对比方法能更好地满足复杂场景下小目标检测需要。