特征重组和自注意力的遥感图像有向目标检测

遥感图像有向目标检测是一项非常有挑战性的任务,受到了广泛的关注。随着深度学习的迅速发展,基于卷积神经网络（CNN）和自注意力网络（Transformer）的神经网络在有向目标检测方面取得了显著成果。然而,对于遥感图像中的有向目标,仍然存在对边界信息和显著特征信息的关注不足的问题。其中,不同方向目标的边界信息有限且难以提取,而显著特征的全局依赖关系相对稀疏。因此,本文提出了基于特征重组和自注意力的遥感图像有向目标检测方法。该方法主要包括空间通道重组的回归分支和自注意力分类分支。其中,回归分支通过在通道维度中重组空间信息,更加关注边界敏感信息,以实现对定位框的精确定位。分类分支依据带有位置信息的自注意力捕获目标根本判别性的特征,并增强特征的全局依赖性,从而实现准确分类。通过广泛的实验验证,证明了所提出模型的有效性和鲁棒性。在公开数据集DOTA、HRSC2016和SODA-A上表现优秀。