简介：[目的]遥感影像目标检测技术已广泛应用于军事侦察、灾害监测等重要领域.然而,由于遥感图像中目标常呈现方向多变和形态多样等特点,检测方法需具备形状与方向自适应能力.传统的定向边界框表示方法在拟合目标形态与方向时存在明显局限,不仅难以准确描述目标轮廓,还会引入较多背景干扰.[方法]针对该问题,本文提出一种基于代表性点集学习的遥感图像目标检测方法.该方法采用代表性点集替代传统旋转边界框,以实现对目标几何形状的灵活建模与准确定位.代表性点集能够自适应分布于目标的关键区域,通过高斯转换函数将其映射为二维高斯分布,并构建旋转回归定位损失函数,监督点集向目标的语义与几何关键区域对齐.在分类阶段,为缓解同类目标类内差异大的问题,引入大间距余弦损失,借助特征归一化与余弦决策边界最大化,实现类内特征的紧凑分布.[结果]为验证所提方法的有效性,本文在DIOR-R数据集和自建的港口船舶检测数据集上,将所提算法与当前主流方法进行了对比实验,实验基于PyTorch框架在服务器平台上完成.结果表明,本文算法的平均精度(mAP)分别达到66.43%与79.80%,优于近年来提出的GWDRetinaNet、Oriented RepPoints、DODet等12种典型遥感目标检测方法.[结论]实验结果表明,本文提出的基于代表性点集学习的方法,在应对遥感图像中目标的旋转与形变问题时表现出较好的适应性,在多个数据集上取得了具有一定竞争力的检测精度.该方法为复杂场景下旋转目标的建模提供了一种可行思路,对高分辨率遥感图像的实际应用也具有一定的参考价值.展开
