Supervised attention-based oriented object detection in remote sensing images

目的任意方向的多尺度目标和复杂的背景信息，使得在遥感图像上的目标检测相比一般目标检测任务具有更大的挑战。尽管一些现有的检测模型取得了令人满意的成果，但它们主要基于锚框实现，其检测性能依赖于预定义锚框的设计。本文在Faster R-CNN（faster region-based convolutional neural network）的基础上，通过结合无锚检测思想与监督掩码注意力技术，提出了一种新的两阶段无锚检测模型。方法首先，对于骨干网络提取的特征金字塔构建一个监督掩码注意力模块，通过注意力机制和掩码监督方法引导检测模型关注目标区域，减少背景噪声的干扰，从而提高目标特征的质量。其次，结合FCOS（fully convolutional one-stage object detection）的回归思想以及中心点偏移技术设计了一个基于关键点预测的无锚定向区域提议网络，并且在训练阶段采用动态调整的软标签策略，实现标签的合理分配，提高模型的检测精度。结果在两个公开的遥感数据集DOTA（dataset for object detection in aerial images）和HRSC（high-resolution ship collections）2016上进行了大量实验，平均精确率均值（mean average precision，mAP）分别达到76.36%和90.51%，超过大多的定向检测模型，表明了本文方法的先进性和有效性。结论本文提出的检测模型通过将区域提取网络的无锚框设计、监督方法以及注意力机制进行结合，能够有效适应复杂遥感图像中的定向目标检测场景。