摘要
https://www.nature.com/articles/s41598-023-41021-8
这项研究的目标是开发一种深度学习模型，以提高在高分辨率遥感（HRS）图像上识别微小目标的准确性。我们提出了一种新颖的多级加权深度感知网络，我们称之为MwdpNet，以更好地捕获HRS图像中微小目标的特征信息。在我们的方法中，我们引入了一个新的分组残差结构S-Darknet53，作为我们提出的MwdpNet的骨干网络，并提出了一种多级特征加权融合策略，以充分利用浅层特征信息来提高检测性能，特别是对于微小目标。为了充分描述图像的高层次语义信息，获得更好的分类性能，我们设计了一个深度感知模块（DPModule）。在步骤之后，提出了通道注意力引导模块（CAGM），以获得每个尺度的注意力特征图，从而增强微小目标的召回率并更有效地生成候选区域。最后，我们创建了四个微小目标数据集，并在这些数据集上进行了比较实验。实验结果表明，MwdpNet在四个数据集上的平均精度（mAP）分别为87.0％、89.2％、78.3％和76.0％，优于九种主流目标检测算法。我们的方法为检测HRS图像上的微小目标提供了一种有效的手段和策略。
在遥感图像智能解译领域，高分辨率遥感（HRS）图像中的目标检测是一个重要的研究方向。而准确识别HRS图像中的微小目标是遥感图像目标检测的首要任务 [ 1