第4章
信息补偿机制的复杂场景下小目标识别

第3章解决了环境复杂带来的小目标精确定位困难的问题。本章从目标特性复杂的角度出发，研究信息补偿机制在复杂场景下的小目标识别方法，解决小目标准确识别困难的问题。目标特性存在多样性，如多尺度、多分辨率、纹理、颜色等。在开放环境下，小尺寸物体携带的信息往往有限。小尺寸目标还伴随图像分辨率低的问题。小尺寸物体和低分辨图像的共同作用，将使复杂场景下小目标识别任务变得更加具有挑战性。现有识别系统都是要求特定近似理想环境，针对大尺寸目标和高分辨率（High Resolution，HR）图像而设计的识别技术。基于图像增强的小目标识别方法首先试图将原始的低质量图像增强为高质量的图像，以提升小目标区域的信息量，然后进行下一步识别任务，但该类方法的性能提升有限，尤其是在图像分辨率非常低的情况下。本章尝试将高清样本作为先验知识，设计信息补偿机制，引导低质量样本向高质量样本转化。首先，本章提出了一个基于特征学习的生成对抗网络（Representation Learning-Generative Adversarial Network，RL-GAN），用来生成一种超级图像特征，该特征专门针对低分辨率（Low Resolution，LR）图像小目标识别进行优化。其次，本章提出了特征注意力，该方法引入通道注意力机制来引导深度学习网络将注意力集中在更加有效的特征上。将特征注意力模块引入对抗学习框架，从HR图像中学习到的图像特征，能更有效地引导LR特征生成的过程。瞄准卫星图像中低分辨率目标识别的艰巨任务，本章评估了所提方法在低分辨率图像分类时的性能，并与多个现有方法进行了性能比较。在公开的数据集和本章新创建的WIDER-SHIP数据集中，证明了基于特征注意力的RL-GAN模型的有效性，进一步提升了LR识别的准确率。 mP1YjZL2WsL6vfbVB6zwvV08F1Su1sOfG97un0qcqAkDbYHbKNP5Uz2vFVEF2F09