摘要
目标检测作为一项重要的计算机视觉技术，旨为在给定的图像中定位和分类物体，在监控、交通、林业监测等可见光遥感图像领域，该技术有广泛的应用前景。在这些可见光遥感图像中往往充斥着大量的小目标，削弱了目标检测模型在遥感图像检测任务中的表现能力。例如，在船只调度、车辆管控等与遥感小目标检测有关的实际应用中，由于存在像素值少、信息有限等问题，仍然存在着以下问题：（1）较深的网络结构难以提取利用遥感图像中小目标的有效信息。（2）遥感图像中的复杂背景信息干扰小目标的特征表现。针对现有方法在遥感图像小目标检测中存在的这些问题，本文主要完成了以下研究工作： （1）基于跨层注意力增强的遥感小目标检测方法：由于遥感图像中，小目标对象常常存在分辨率低、信息有限等实际问题，容易导致检测模型难以对遥感图像中的小目标进行检测。为此，本文提出了一种基于跨层注意力增强的遥感小目标检测方法，该方法通过使用一种ResCatPAN结构对特征图进行残差连接，有效提高了YOLOv5在遥感图像中的表现能力。在此基础上，还提出了一种跨层注意力模块（cross-layerattention），通过注意力机制为不同特征层的特征附加语义信息，从而提高模型对遥感图像中大、中、小目标的检测表现能力。在可见光遥感数据集的实验中，该方法取得了86.4%的平均精度均值（mAP）；且在小目标检测精度评价指标（mAPs）的评测值达到了23.4%，比基准网络高出5.9个百分点。 （2）基于特征金字塔的低耦合自适应跨层注意力机制：为进一步降低本论文在基于跨层注意力增强的遥感小目标检测方法中提出的跨层注意力模块（cross-layerattention）的耦合度、提升其泛用性与灵活性，本论文又提出一种新的即插即用的低耦合自适应跨层注意力机制来提升模型对遥感图像中小目标的检测精度。该方法通过对特征金字塔中顶层特征图与底层特征图分别进行自适应计算，为每一层特征图赋予不同的语义信息与空间信息，有效提升不同模型对遥感小目标的检测能力。在实验中，本文通过对单阶段检测器YOLOv5、YOLOx与YOLOv6模型添加本文的自适应注意力模块后在可见光遥感数据集中分别取得了86.6%、86.5%、87.7%的平均精度均值（mAP），并在小目标检测精度评价指标（APs）的评测值分别达到了20.2%、19.3%、20.3%，分别比基准网络高出2.7、2.0、1.9个百分点。实验结果表明，本文提出的方法在遥感图像中小目标检测方面表现出色，并且具有较好的鲁棒性。
NETL