二阶段锚框和类均衡损失的遥感图像目标检测

由于现有遥感图像数据集中不同类别目标的数量差异大,数据集中存在类别分布不平衡问题,影响网络模型对少数类别的检测精度.针对以上问题,提出了二阶段锚框和类均衡损失的遥感图像目标检测算法.通过K-means聚类生成遥感数据集的类平衡标签,再将得到的类平衡标签作为第二阶段K-means聚类的初始中心,生成的预设锚框能够兼顾少数类别尺度,提高少数类别实例的检测精度.同时构建类别平衡损失(CEQL),在平衡损失(EQL)的基础上,采用有效样本构建辅助权重,提高模型在训练过程中对少数类别的关注度.实验表明,改进后模型的平均准确率均值、少数类别平均准确率分别达到76.13％和76.51％,对比基准网络分别提高了1.56％和1.75％.在DOIR和NWPU VHR-10数据集上,与主流方法Faster-RCNN,RetinaNet,CenterNet,YOLOv4,YOLOX-L,YOLOv5及YOLOv7等进行了对比,实验表明改进后的算法能够在保证多数类别检测精度的基础上,有效提高了少数类别的检测精度.