目标检测——day55 Feature Split–Merge–Enhancement Network for Remote Sensing Object Detection_large selective kernel network for remote sensing

Remote Sensing Object Detection)

I. INTRODUCTION

Challenges：

1. 遥感图像通常包含被复杂的周围环境淹没的小物体
2. 物体在同一场景中密集分布

II. RELATED WORK

III. METHOD

For the input image:

1. 首先使用 backbone（VGG-16）来获得多层特征图
2. 然后，采用FSM模块和OSE策略，得到更有效的特征图；OER模块修正了网络训练过程中多层次特征图之间对象空间布局的不一致性
3. 最后，使用不同的检测头进行盒回归和分类

A. FSM Module

浅层特征图具有丰富的详细特征，但缺乏语义特征。相反，深度特征映射具有较强的语义特征表示能力，但失去了许多详细的特征。

Fig. 4.,It consists of the IIE strategy and the DIT strategy.
1) IIE Strategy：

因为很难从深度特征图中提取出小物体的鉴别特征。利用从深层特征图中获取的掩码生成一个软反向门，抑制深层特征图中较大的对象，提取小物体的鉴别特征。

2) DIT Strategy：

以IIE获得的Pes为参考，深度特征图中较大对象的详细信息仍然存在不平衡。因此采用了如图6所示的DIT策略来提高深度特征图的详细信息的表示能力。

B. OER Module

直接的上采样操作可能会消除有利的特征或传输干扰噪声，为了抑制这种现象，本文提出了一个OER模块

C. OSE Strategy

OSE策略根据隶属函数对前景和背景进行分离，增强了物体的特征，降低了噪声，防止了噪声和模糊边界造成的误检测和误检测。

IV. EXPERIMENTS