Schritt-für-Schritt adaptiver Ausrichtungsmechanismus zur Objekterkennung in Luftbildern

Die Objekterkennung in Luftbildern hat in den letzten Jahren eine breitere Palette von Anwendungen gefunden. Im Gegensatz zu den Zielen in den Bildern des horizontalen Schießens haben die Ziele in Luftbildern in der Regel eine willkürliche Ausrichtung, mehrere Maßstäbe und ein hohes Seitenverhältnis. Bestehende Methoden verwenden oft ein Klassifikations-Rückgratnetzwerk, um translationsäquivalente Merkmale (TEFs) zu extrahieren, und nutzen viele vordefinierte Anker, um mit Objekten mit unterschiedlichen Erscheinungsvariationen umzugehen. Allerdings treten sie auf drei Ebenen - räumlich, feature- und aufgabenbezogen - bei verschiedenen Erkennungsphasen auf. In dieser Studie schlagen wir ein Modell namens Staged Adaptive Alignment Detector (SAADet) vor, um diese Herausforderungen zu lösen. Diese Methode nutzt ein Spatial Selection Adaptive Network (SSANet), um die räumliche Ausrichtung des Konvolutions-Rezeptorfeldes an die Größe des Objekts zu erreichen, indem eine Konvolutionssequenz mit einer zunehmenden Dilationsrate verwendet wird, um die räumlichen Kontextinformationen unterschiedlicher Bereiche zu erfassen und diese Informationen durch dynamisches Gewichtung des Modells zu bewerten. Nach der Korrektur des vordefinierten horizontalen Ankers zu einem orientierten Anker wird die Merkmalsausrichtung durch die Ausrichtungsconvolution erreicht, die vom orientierten Anker geleitet wird, um die Rückgratmerkmale mit der Ausrichtung des Objekts abzugleichen. Die Entkopplung der Merkmale mithilfe des aktiven rotierenden Filters wird durchgeführt, um Inkonsistenzen aufgrund des Teilens von Rückgratmerkmalen in Regressions- und Klassifikationsaufgaben zu verringern, um die Aufgabenabstimmung zu erreichen. Die experimentellen Ergebnisse zeigen, dass SAADet ein Gleichgewicht in Geschwindigkeit und Genauigkeit auf zwei Luftbilddatensätzen, HRSC2016 und UCAS-AOD, erreicht.