まとめ
https://www.nature.com/articles/s41598-023-41021-8
この研究の目標は、高解像度リモート センシング (HRS) 画像上の小さなターゲットを識別する精度を向上させるディープ ラーニング モデルを開発することです。我々は、HRS 画像内の小さなターゲットの特徴情報をより適切に捕捉するために、MwdpNet と呼ばれる新しいマルチレベル重み付き深度知覚ネットワークを提案します。私たちの方法では、提案するMwdpNetのバックボーンネットワークとして新しいグループ化された残差構造S-Darknet53を導入し、特に小さなターゲットの検出パフォーマンスを向上させるために浅い特徴情報を完全に活用するためのマルチレベル特徴重み付け融合戦略を提案します。画像の高レベルの意味情報を完全に記述し、より優れた分類パフォーマンスを得るために、奥行き認識モジュール (DPModule) を設計しました。このステップに続いて、チャネル アテンション ガイダンス モジュール (CAGM) が提案され、各スケールでアテンション フィーチャー マップを取得します。これにより、小さなターゲットの再現率が向上し、候補領域がより効果的に生成されます。最後に、4 つの小さなターゲット データセットを作成し、これらのデータセットに対して比較実験を行います。実験結果によると、4 つのデータセットに対する MwdpNet の平均精度 (mAP) はそれぞれ 87.0%、89.2%、78.3%、76.0% であり、9 つの主流のターゲット検出アルゴリズムよりも優れています。私たちの方法は、HRS 画像上の小さなターゲットを検出するための効果的な手段と戦略を提供します。
リモート センシング画像のインテリジェントな解釈の分野では、高解像度のリモート センシング (HRS) 画像におけるターゲット検出が重要な研究方向です。HRS 画像内の小さなターゲットを正確に識別することは、リモート センシング画像におけるターゲット検出の主なタスクです[1