Scientific Reports·9月7日 · 周一论文农业遥感与作物表型阅读 1
An attention-guided adaptive multi-scale feature fusion method for remote sensing image object detection
Xiaopei Liu · Feng Tian
论文解读
0未达精选线
速览
提出一种注意力引导的自适应多尺度融合方法，提升遥感图像目标检测精度。
方法
结合MS-CAM与CSA注意力，构建MFEM和ADF模块，优化特征金字塔网络。
发现
在DOTAv1.0和HRSC2016上mAP分别提升3.5和3.98/7.09个百分点。
机会点
可将该方法应用于农业遥感中的小目标检测，如作物病虫害识别或果园单株检测，探索跨尺度特征融合的优化。
影响力0
信息增量0
专业深度0
信源权威0
时效性0
该论文聚焦遥感图像目标检测技术，未涉及农业应用场景，与三农、农业信息化等主题无直接关联。
原文摘要
针对光学遥感图像中目标尺度变化大、小目标特征弱以及背景干扰复杂等问题，提出一种注意力引导的自适应多尺度融合目标检测方法。在特征提取网络中，通过引入多尺度通道注意力机制(MS-CAM)优化C3k2结构，构建多尺度特征提取模块(MFEM)，旨在增强多尺度特征信息，提升小目标特征表示能力。为抑制复杂背景干扰，提出一种联合通道与空间注意力机制(CSA)，通过滤除通道维度上的冗余特征并强化目标的空间表征，使网络聚焦于目标区域。在颈部网络中，基于CSA注意力构建自适应融合模块(ADF)，并将其集成到扩展特征金字塔网络(EFPN)架构中；该模块在特征融合过程中增强相邻层间的特征表达并去除冗余信息，从而提升网络的跨尺度特征整合能力。实验结果表明，在DOTAv1.0数据集上，所提方法相比基线模型平均精度(mAP)提升3.5个百分点；在HRSC2016数据集上的进一步评估显示，在VOC07和VOC12指标下mAP分别提升3.98和7.09个百分点，验证了所提模型的鲁棒性。所提方法为光学遥感目标检测提供了有效解决方案。
信源（1 个）