基于多尺度上下文信息和特征融合的遥感小目标检测方法OA

针对遥感图像小目标检测任务中因尺度问题导致的特征提取困难、精度不高的问题,提出一种基于多尺度上下文信息和特征增强融合策略的遥感小目标检测网络(MS-RSOD-YOLO).首先,设计了变形卷积-视觉状态空间特征提取模块(DefConv-VSSM),通过融合视觉状态空间模型和变形卷积策略,在主干网络中实现全局-局部上下文感知;其次,构建了跨尺度特征聚合PAFPN(CSFA-PAFPN),通过增强来自不同层次的特征聚合方式,改进了路径聚合特征金字塔并用于多尺度特征融合,以便在颈部网络中协调小物体空间特征和语义特征等判别性特征的学习;最后,引入基于Normalized Wasserstein Distance的损失函数,以增强模型对小目标尺度的适配性和梯度贡献的有效性.实验结果表明,所提方法在DIOR和NWPU VHR-10遥感数据集上的mAP分别达到了67.2%和71.0%,其中针对小目标的平均准确率(mAPsmall)分别达到了57.7%和74.9%,优于多个主流遥感小目标检测方法,能在遥感可见光图像中更精确地捕捉和识别小目标.