摘要
光学遥感图像中的目标检测是一项重要且具有挑战性的任务。近年来，基于卷积神经网络的方法取得了显著进展。然而，由于目标在尺度、宽高比以及方向上存在巨大差异，检测性能的进一步提升仍面临困难。本文探讨了判别性特征在目标检测中的作用，并提出一种关键特征捕获网络（Critical Feature Capturing Network, CFC-Net），从三个方面提升检测精度：构建强大的特征表示能力、优化预设锚框（anchors）以及改进标签分配策略。具体而言，本文首先将分类特征与回归特征解耦，并通过极化注意力模块（Polarization Attention Module, PAM）构建针对不同任务的鲁棒关键特征。利用提取出的判别性回归特征，旋转锚框精炼模块（Rotation Anchor Refinement Module, R-ARM）对初始水平锚框进行定位精炼，生成性能更优的旋转锚框。随后，引入动态锚框学习策略（Dynamic Anchor Learning, DAL），根据锚框捕捉关键特征的能力自适应地选择高质量锚框。所提出的框架能够为遥感图像中的目标生成更具表达力的语义表征，实现了高性能的实时目标检测。在HRSC2016、DOTA和UCAS-AOD三个遥感图像数据集上的实验结果表明，该方法在检测性能上显著优于多项当前先进的技术。代码与模型已开源，地址为：https://github.com/ming71/CFC-Net。