基于MFANet和上下文特征融合的遥感影像目标检测

针对遥感影像背景复杂、目标尺度变化较大、类间相似性较高等特点而导致目标检测效果欠佳的问题,提出一种基于Faster R-CNN的有效且鲁棒的遥感影像目标检测方法.首先,引入可变形卷积、调制机制和空洞卷积,构造调制的特征自适应网络,提取更准确、更完整的目标信息.其次,构造上下文特征金字塔网络,提取更丰富且更具判别性的特征表示来解决高层语义信息不足和多尺寸感受野之间缺乏有效沟通的问题.最后,在边界框回归中引入CIoU (complete IoU) LOSS,进一步提高目标检测的精度.为了验证所提方法的有效性,在公共数据集DIOR、RSOD和NWPU VHR-10上进行实验.结果 表明:与Faster R-CNN with FPN方法相比,IF-RCNN在3个数据集上的平均检测精度分别获得了8.43％、7.5％和8.0％的绝对增益,证明了所提方法的有效性.