TGRS 2025 | 从光学图像到合成孔径雷达图像的域自适应定向目标检测

### 小目标检测在高分辨率遥感图像中的应用 小目标检测是遥感领域的重要课题之一，在高分辨率卫星影像中具有广泛应用。针对这一主题的研究主要集中在提高检测精度和鲁棒性方面。 #### 半监督卷积神经网络的应用 一种有效的解决方案是在半监督框架下利用卷积神经网络进行特征提取与分类。例如，SemiCDNet作为一种创新性的方法被提出用于变化检测任务，该模型通过引入少量标注数据来指导未标记样本的学习过程，从而有效提升了对于细微差异的识别能力[^2]。 然而，具体到小目标检测上，研究者们也探索了多种技术路径： - **多尺度特征融合**：为了捕捉不同大小的目标物体，采用多层次的感受野机制可以增强模型对细粒度结构的理解。 - **注意力机制**：通过对输入图像的关键区域施加权重调整，使得网络能够更加关注潜在的小型实体位置。 - **数据增强策略**：由于实际场景中小目标的数量通常较少，因此合理的扩充训练集有助于缓解过拟合现象并改善泛化性能。 ```python import torch.nn as nn class SmallObjectDetector(nn.Module): def __init__(self, num_classes=1): super(SmallObjectDetector, self).__init__() # 定义一个多层感知器作为基础架构 self.features = nn.Sequential( nn.Conv2d(in_channels=3, out_channels=64, kernel_size=(3, 3), padding='same'), nn.ReLU(), ... ) # 添加自定义模块实现特定功能如注意力机制或多尺度处理 def forward(self, x): output = self.features(x) return output ```