Research on Bidirectional Attenuation Loss Method for Rotating Object Detection in Remote Sensing Image
-
摘要: 遥感图像中的目标检测技术是计算机视觉领域的热点研究之一。为了适应遥感图像中的复杂背景和任意方向的目标，主流的目标检测模型均采用旋转检测方法。然而，用于旋转检测的定位损失函数通常存在变化趋势与实际偏斜交并比(Intersection-over-Union, IoU)的变化趋势不一致的问题。为此，该文提出一种新的面向旋转目标检测的双向衰减损失方法。具体而言，该方法通过高斯乘积模拟偏斜IoU，并依据预测位置的偏差从两个方向衰减乘积。双向衰减损失能够反映由位置偏差引起的偏斜IoU变化，其变化趋势与偏斜IoU有着更强的一致性，并且与其他相关方法相比性能更好。在DOTAv1.0数据集上的实验表明，所提方法在多种基底函数和不同精度条件下都是有效的。Abstract: Object detection in remote sensing image is one of the hot research topics in the field of remote sensing. In order to adapt to complex backgrounds and multi-directional objects in remote sensing images, the mainstream object detection model uses rotation detection method. However, most of positioning losses used for rotation detection generally has the problem that its trend is inconsistent with the trend of SkewIoU(Skew Intersection-over-Union). To solve this problem, a new bidirectional attenuation loss for rotating object detection is designed. Specifically, this method simulates SkewIoU by Gaussian product, and attenuates the product from two directions according to the deviation of the predicted position. The bidirectional attenuation loss has stronger trend-level alignment with SkewIoU and works better compared with other methods, thanks to its ability to reflect the SkewIoU change caused by position deviation. Experiments on DOTAv1.0 show the effectiveness of this method of various loss forms and different accuracy conditions.
-
Key words:
- Remote sensing image /
- Object detection /
- Deep neural network /
- Loss function
-
表 2 基于不同损失计算方式的目标检测精度比较
自变量x −ln(x+ε) 1−x e1−x−1 KFIoU 69.35 70.07 70.30 BAIoU 71.01(+1.66) 70.93(+0.86) 71.24(+0.94) 
下载: 导出CSV
表 3 基于不同损失函数的目标检测精度比较
损失函数 AP50 AP75 AP50:95 KFIoU 70.30 33.16 34.45 BAIoU 71.24(+0.94) 36.58(+3.42) 37.06(+2.61)
下载: 导出CSV
表 5 不同损失函数在DOTAv1.0中5类典型目标的检测结果对比(%)
网络模型 损失函数 飞机 小型汽车 大型汽车 船 直升机 mAP RetinaNet SmoothL1[7] 70.90 56.30 48.40 64.80 40.31 56.14 GWD[18] 79.98 68.55 66.53 74.18 52.75 68.39 KFIoU 83.56 74.46 67.69 76.43 59.36 70.30 BAIoU 85.13 74.01 70.29 76.02 60.77 71.24 R3Det DCL[16] 85.14 71.02 79.56 85.62 54.45 75.15 KLD[19] 87.41 73.43 83.07 87.00 60.73 78.32 KFIoU 87.61 75.65 84.06 88.38 62.01 79.54 BAIoU 87.70 76.45 85.02 89.22 62.34 80.14
下载: 导出CSV
-
[1] 李晓博, 孙文方, 李立. 静止轨道遥感卫星海面运动舰船快速检测方法[J]. 电子与信息学报, 2015, 37(8): 1862–1867. doi: 10.11999/JEIT141615LI Xiaobo, SUN Wenfang, and LI Li. Ocean moving ship detection method for remote sensing satellite in geostationary orbit[J]. Journal of Electronics &Information Technology, 2015, 37(8): 1862–1867. doi: 10.11999/JEIT141615 [2] 陈琪, 陆军, 赵凌君, 等. 基于特征的SAR遥感图像港口检测方法[J]. 电子与信息学报, 2010, 32(12): 2873–2878. doi: 10.3724/SP.J.1146.2010.00079CHEN Qi, LU Jun, ZHAO Lingjun, et al. Harbor detection method of SAR remote sensing images based on feature[J]. Journal of Electronics &Information Technology, 2010, 32(12): 2873–2878. doi: 10.3724/SP.J.1146.2010.00079 [3] 李轩, 刘云清. 基于似圆阴影的光学遥感图像油罐检测[J]. 电子与信息学报, 2016, 38(6): 1489–1495. doi: 10.11999/JEIT151334LI Xuan and LIU Yunqing. Oil tank detection in optical remote sensing imagery based on quasi-circular shadow[J]. Journal of Electronics &Information Technology, 2016, 38(6): 1489–1495. doi: 10.11999/JEIT151334 [4] ZHANG Zheng, MIAO Chunle, LIU Chang’an, et al. DCS-TransUperNet: Road segmentation network based on CSwin transformer with dual resolution[J]. Applied Sciences, 2022, 12(7): 3511. doi: 10.3390/app12073511 [5] ZHANG Zheng, XU Zhiwei, LIU Chang’an, et al. Cloudformer: Supplementary aggregation feature and mask-classification network for cloud detection[J]. Applied Sciences, 2022, 12(7): 3221. doi: 10.3390/app12073221 [6] GIRSHICK R, DONAHUE J, DARRELL T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]. 2014 IEEE Conference on Computer Vision and Pattern Recognition, Columbus, USA, 2014: 580–587. [7] GIRSHICK R. Fast R-CNN[C]. 2015 IEEE International Conference on Computer Vision, Santiago, Chile, 2015: 1440–1448. [8] REN Shaoqing, HE Kaiming, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137–1149. doi: 10.1109/TPAMI.2016.2577031 [9] REDMON J and FARHADI A. YOLOv3: An incremental improvement[J]. arXiv preprint arXiv: 1804.02767, 2018. [10] BOCHKOVSKIY A, WANG C Y, and LIAO H Y M. YOLOv4: Optimal speed and accuracy of object detection[J]. arXiv preprint arXiv: 2004.10934, 2020. [11] 邵延华, 张铎, 楚红雨, 等. 基于深度学习的YOLO目标检测综述[J]. 电子与信息学报, 2022, 44(10): 3697–3708. doi: 10.11999/JEIT210790SHAO Yanhua, ZHANG Duo, CHU Hongyu, et al. A review of YOLO object detection based on deep learning[J]. Journal of Electronics &Information Technology, 2022, 44(10): 3697–3708. doi: 10.11999/JEIT210790 [12] LIU Wei, ANGUELOV D, ERHAN D, et al. SSD: Single shot MultiBox detector[C]. 14th European Conference on Computer Vision, Amsterdam, The Netherlands, 2016: 21–37. [13] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2020, 42(2): 318–327. doi: 10.1109/TPAMI.2018.2858826 [14] DING Jian, XUE Nan, LONG Yang, et al. Learning RoI transformer for oriented object detection in aerial images[C]. 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), Long Beach, USA, 2019: 2844–2853. [15] YANG Xue, YAN Junchi, FENG Ziming, et al. R3Det: Refined single-stage detector with feature refinement for rotating object[C]. Proceedings of the 35th AAAI Conference on Artificial Intelligence, 2021: 3163–3171. [16] YANG Xue, HOU Liping, ZHOU Yue, et al. Dense label encoding for boundary discontinuity free rotation detection[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Nashville, USA, 2021: 15814–15824. [17] CHEN Zhiming, CHEN Ke’an, LIN Weiyao, et al. PIoU loss: Towards accurate oriented object detection in complex environments[C]. 16th European Conference on Computer Vision, Glasgow, UK, 2020: 195–211. [18] YANG Xue, YAN Junchi, MING Qi, et al. Rethinking rotated object detection with Gaussian Wasserstein distance loss[C]. Proceedings of the 38th International Conference on Machine Learning, 2021: 11830–11841. [19] YANG Xue, YANG Xiaojiang, YANG Jirui, et al. Learning high-precision bounding box for rotated object detection via kullback-leibler divergence appendix[C]. 35th Conference on Neural Information Processing Systems, 2021. [20] YANG Xue, ZHOU Yue, ZHANG Gefan, et al. The KFIoU loss for rotated object detection[J]. arXiv preprint arXiv: 2201.12558, 2022. [21] XIA Guisong, BAI Xiang, DING Jian, et al. DOTA: A large-scale dataset for object detection in aerial images[C]. Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, Salt Lake City, USA, 2018: 3974–3983. [22] EVERINGHAM M, VAN GOOL L, WILLIAMS C K I, et al. The PASCAL visual object classes (VOC) challenge[J]. International Journal of Computer Vision, 2010, 88(2): 303–338. doi: 10.1007/s11263-009-0275-4 [23] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: Common objects in context[C]. 13th European Conference on Computer Vision, Zurich, Switzerland, 2014: 740–755. 期刊类型引用(53)
1. 韦昀昊. 高铁环境下基于循环神经网络的无线传播信道模型研究. 微型电脑应用. 2024(03): 176-179 . 
百度学术2. 陈家乐. 基于大数据分析的网络实时异常入侵行为检测. 信息与电脑(理论版). 2024(02): 198-200 . 百度学术3. 刘鑫，王明明. 浅析南水北调工程安防系统关键技术要点. 水利技术监督. 2024(05): 209-212 . 百度学术4. 苏凯旋. 基于改进XGBoost模型的网络入侵检测研究. 计算机与现代化. 2024(06): 109-114 . 百度学术5. 胡璐锦，王振凯，狄森川，蔡胜奇，刘毓. 城市多出行方式轨迹预测的模型集成方法. 测绘科学. 2024(09): 71-80 . 百度学术6. 冯国聪，樊凯，叶婉琦. 基于卷积神经网络的网络入侵检测系统设计. 微型电脑应用. 2023(05): 141-143+154 . 百度学术7. 王文杰，张春英，王立亚，贾栋豪，郭雪飞. 融合IPCA和CNN的增量入侵检测模型. 华北理工大学学报(自然科学版). 2023(03): 90-100+109 . 百度学术8. 林鹏，陈聪，徐盛秋，蔡富裕，廖华. 融合图像与红外传感的变电站异物入侵在线监测. 电子设计工程. 2023(15): 178-181+186 . 百度学术9. 王振东，徐振宇，李大海，王俊岭. 面向入侵检测的元图神经网络构建与分析. 自动化学报. 2023(07): 1530-1548 . 百度学术10. 路春辉. 基于支持向量机和象群优化算法的入侵检测技术研究. 信息技术. 2023(09): 64-70 . 百度学术11. 周明月，常明航，付殿臣，程超. 一种基于EA-BinGRU算法的网络入侵检测算法. 计算机应用与软件. 2023(11): 321-326 . 百度学术12. 刘超. 广电机房网络安全隐患及网络安全技术策略探讨. 电脑编程技巧与维护. 2023(12): 160-163 . 百度学术13. 吴丹，王俊，许燕. 基于深度学习的公共充电桩故障预测模型. 电子设计工程. 2022(05): 127-130+135 . 百度学术14. 邹洪，刘家豪，陈锋，农彩勤，王斌. 基于递归神经网络的原始训练数据防泄漏密码生成系统设计. 电子设计工程. 2022(05): 122-126 . 百度学术15. 胡向东，李之涵. 基于胶囊网络的工业互联网入侵检测方法. 电子学报. 2022(06): 1457-1465 . 百度学术16. 谢澳归. 基于机器学习的入侵检测技术研究. 信息与电脑(理论版). 2022(08): 218-220 . 百度学术17. 程超，武静凯，陈梅. 一种基于RBM-SVM算法的无线传感网络入侵检测算法. 计算机应用与软件. 2022(05): 325-329 . 百度学术18. 付吉菊. 交互式网络恶意入侵跳频数据特征自动挖掘方法. 宁夏师范学院学报. 2022(07): 72-79 . 百度学术19. 颜蔚. 基于卷积神经网络的无线网络安全风险评估及控制. 沈阳工业大学学报. 2022(05): 565-569 . 百度学术20. 谭韶生，夏旭. 数据挖掘的船舶通信网络非法入侵智能检测方法. 舰船科学技术. 2022(17): 144-147 . 百度学术21. 洪彦. 基于神经网络优化模型的网络通信异常检测. 佳木斯大学学报(自然科学版). 2022(05): 47-50 . 百度学术22. 周慧君. 顾及环境胁迫反应机制的船舶轨迹预测方法. 测绘科学. 2022(09): 67-75+94 . 百度学术23. 钟双莲，童峰，刘雨佶，章宇栋，陈东升. 低信噪比条件下深度学习麦克风阵列波束形成. 兵器装备工程学报. 2022(11): 273-277+296 . 百度学术24. 李青. 云计算环境下船舶无线通信网络入侵检测方法. 舰船科学技术. 2022(21): 140-143 . 百度学术25. 年飞翔，郭阳，徐梅，黄纯玺，金津，黄文婷，梁健，王艺. 基于BP神经网络的降水量估算模型在自动气象站降水量质量控制中的应用. 气象与环境科学. 2022(06): 101-107 . 百度学术26. 谭伦荣，王辉. 基于深度卷积神经网络的无线通信网络异常攻击检测. 重庆科技学院学报(自然科学版). 2022(06): 60-64 . 百度学术27. 赵晓松. 舰船无线网络入侵数据点自动定位方法. 舰船科学技术. 2021(04): 181-183 . 百度学术28. 田桂丰，单志龙，廖祝华，王煜林. 基于Faster R-CNN深度学习的网络入侵检测模型. 南京理工大学学报. 2021(01): 56-62 . 百度学术29. 王钰，刘磊. 基于特征扩展的网构软件测试数据分类模型构建. 电子设计工程. 2021(08): 29-32+37 . 百度学术30. 田桂丰，单志龙，廖祝华，王煜林. 基于空间降维和多核支持向量机的网络入侵检测. 济南大学学报(自然科学版). 2021(04): 365-369+375 . 百度学术31. 龚琴，柯善良. 基于机器学习的物联网反入侵检测方法研究. 内蒙古民族大学学报(自然科学版). 2021(03): 211-216 . 百度学术32. 田里，喻潇，王捷，王晋. 基于Snort的网络安全入侵检测预防系统设计. 电子设计工程. 2021(18): 148-151+156 . 百度学术33. 潘勇斌，顾全，廖华，周南菁. 基于循环神经网络的电网故障智能告警信息分类研究. 自动化技术与应用. 2021(09): 56-60 . 百度学术34. 李闯. 无线网络入侵干扰信号特征分离方法. 通信技术. 2021(10): 2413-2417 . 百度学术35. 陈雪芳. 基于AL-SVM算法的无线传感器网络入侵检测研究. 沈阳工程学院学报(自然科学版). 2021(04): 68-73 . 百度学术36. 王佳坤，缪祥华，邵建龙. 基于深度循环神经网络的入侵检测方法. 化工自动化及仪表. 2021(06): 566-574+645 . 百度学术37. 赵冬梅，宋会倩，张红斌. 基于时间因子和复合CNN结构的网络安全态势评估. 计算机科学. 2021(12): 349-356 . 百度学术38. 杨力. 基于IPSO-SVM算法的网络入侵检测方案研究. 信息与电脑(理论版). 2021(23): 45-47 . 百度学术39. 杨鹏. 移动警务网络中基于神经网络的入侵检测研究. 信息网络安全. 2021(S1): 26-29 . 百度学术40. 吴丽佳. 基于压缩感知的智能电网入侵检测方法研究. 通信技术. 2020(03): 733-737 . 百度学术41. 林立忠，池海宏. 舰船网络入侵目标检测效率优化方法分析. 舰船科学技术. 2020(10): 172-174 . 百度学术42. 李刚，孙耀文，于德新，付海，赵邵蕾. 基于Agent人工智能技术的分布式入侵检测系统设计. 计算机测量与控制. 2020(07): 29-33+38 . 百度学术43. 郭华，李颖，江浩，邓翔，王利斌，李祉岐. 基于物联网技术的电力线路信息网入侵检测系统设计. 电子设计工程. 2020(18): 131-135 . 百度学术44. 邹洪，杨逸岳，张佳发. 基于K-means聚类算法的网络入侵监测系统设计. 自动化与仪器仪表. 2020(09): 123-126 . 百度学术45. 刘文春. 网络异常流量特征选择方法研究. 新乡学院学报. 2020(09): 25-28+42 . 百度学术46. 李腾耀，王布宏，尚福特，田继伟，曹堃锐. ADS-B攻击数据弹性恢复方法. 电子与信息学报. 2020(10): 2365-2373 . 
本站查看47. 宣乐飞. 舰船通信网络的入侵检测技术研究. 舰船科学技术. 2020(18): 136-138 . 百度学术48. 苏明，马琳. 蚁群算法选择神经网络参数的网络入侵检测. 现代电子技术. 2020(22): 114-117 . 百度学术49. 吴永芬，徐为. 基于蚁群优化算法和支持向量机相结合的医院网络非法入侵检测. 现代电子技术. 2020(22): 78-81 . 百度学术50. 缪祥华，单小撤. 基于密集连接卷积神经网络的入侵检测技术研究. 电子与信息学报. 2020(11): 2706-2712 . 本站查看51. 许春冬，徐琅，周滨，凌贤鹏. 单通道语音增强技术的研究现状与发展趋势. 江西理工大学学报. 2020(05): 55-64 . 百度学术52. 蒋华伟，张磊. 基于长短期记忆生成对抗网络的小麦品质多指标预测模型. 电子与信息学报. 2020(12): 2865-2872 . 本站查看53. 古险峰. 一种基于数据挖掘的网络入侵检测系统设计与实现. 河南科技学院学报(自然科学版). 2020(06): 54-58+67 . 百度学术其他类型引用(34)
-
百度学术
图(11) / 表(5)
计量
- 文章访问数: 524
- HTML全文浏览量: 320
- PDF下载量: 70
- 被引次数: 87
下载:
