LR-FPN: Enhancing Remote Sensing Object Detection with Location Refined Feature Pyramid Network

遥感目标检测旨在识别和定位遥感图像中的关键目标，在农业和城市规划中有广泛的应用。特征金字塔网络（FPN）通常用于提取多尺度特征。然而，现有的FPN常常忽略了提取低层次的位置信息和细粒度的上下文交互。为了解决这个问题，我们提出了一种新颖的位置精炼特征金字塔网络（LR-FPN），以增强浅层位置信息的提取并促进细粒度上下文交互。LR-FPN由两个主要模块组成：浅层位置信息提取模块（SPIEM）和上下文交互模块（CIM）。具体而言，SPIEM首先通过同时从低级特征图中提取位置和显著性信息，最大化目标的实际位置信息的保留。随后，CIM通过空间和通道交互将这个强大的位置信息注入到原始FPN的不同层中，明确增强了目标区域。此外，在空间交互中，我们引入了一种简单的局部和非局部交互策略，以学习和保留目标的显著性信息。最后，LR-FPN可以轻松地集成到常见的目标检测框架中，以显著提高性能。在两个大规模的遥感数据集（即DOTAV1.0和HRSC2016）上进行的广泛实验表明，所提出的LR-FPN优于现有的目标检测方法。我们的代码和模型将公开提供。

本论文旨在解决遥感图像目标检测中，现有的特征金字塔网络（FPN）忽略提取浅层位置信息和细粒度上下文交互的问题。

论文提出了一种新颖的位置细化特征金字塔网络（LR-FPN），通过浅层位置信息提取模块（SPIEM）和上下文交互模块（CIM）来增强提取浅层位置信息和促进细粒度上下文交互。SPIEM从低层特征图中同时提取位置和显著性信息，以最大化目标位置信息的保留。CIM通过空间和通道交互将这种坚固的位置信息注入到原始FPN的不同层中，明确增强物体区域。

论文在两个大规模的遥感数据集上进行了广泛的实验，证明了LR-FPN优于现有的目标检测方法。此外，论文提出的方法易于集成到常见的目标检测框架中，并且代码和模型将公开发布。

在遥感图像目标检测领域，最近的相关研究包括：1. “Agricultural Field Detection in High-Resolution Satellite Images Using Faster R-CNN with Convolutional Features of Different Layers”；2. “Object Detection in Optical Remote Sensing Images Based on Weakly Supervised Learning and Transfer Learning”；3. “Ship Detection in Remote Sensing Images Based on Improved Faster R-CNN with Feature Fusion and Context Information”等。