基于差异增强与边缘特征融合的遥感图像微小目标检测方法DE-DFNet研究

针对遥感图像(RSIs)中多尺度目标检测存在的语义鸿沟(Semantic Gap)、复杂背景干扰及相似微小目标误检等问题，研究人员提出DE-DFNet框架。该研究创新性地融合分布差异与结构相似性(SSIM)构建差异增强器(DE)，结合边缘增强选择感知器(EBSP)和动态选择渐进金字塔(DSPP)，在DOTA(74.2% mAP)等数据集上实现显著性能提升，为高精度遥感检测提供新范式。

　　

遥感图像目标检测技术在城市规划、环境监测等领域具有重要应用价值，但高成像海拔导致的微小目标（平均12.8像素）检测始终是业界难题。现有方法面临三重挑战：特征金字塔网络(FPN)因深层卷积丢失空间细节引发语义鸿沟；注意力机制过度聚焦局部而忽略边缘特征；相似外观目标（如空调外机与车辆）因共性特征主导而频发误判。这些问题严重制约了港口船舶识别、机场飞机监测等高价值场景的应用精度。

为解决上述问题，研究人员开发了DE-DFNet框架。该研究采用ResNet50作为主干网络，在AI-TODv2.0（含700,621个微小目标）、DOTAv1.5等数据集验证性能。关键技术包括：1) 首创联合分布差异与SSIM的差异增强器(DE)；2) 设计大核卷积边缘增强选择感知器(EBSP)；3) 构建动态选择渐进金字塔(DSPP)融合多层级膨胀卷积(MDC)；4) 引入DE-loss监督模型学习判别性特征。

研究结果
Difference Enhancement (DE) 机制：通过KL散度量化特征分布差异，联合SSIM指数构建相似性度量矩阵。实验显示该组合使相似目标区分度提升23.6%，有效缓解图1(e)中的空调-车辆误检问题。
Edge Boosting Selection Perceptron (EBSP)：采用5×5大核卷积提取边缘特征，通过DE反馈动态调节特征融合权重。在复杂背景样本中，边缘特征强化使检测召回率提高17.2%（图1(d)）。
Dynamic Selective Progressive Pyramid (DSPP)：通过MDC获取多尺度上下文信息，结合DE计算的动态权重实现渐进式特征融合。在DOTA数据集中，该模块将跨尺度目标检测mAP提升9.8%。

结论与意义
该研究首次实现分布差异与结构相似性的联合建模，通过DE-DFNet框架系统性解决遥感检测中的语义断层、背景干扰和相似混淆问题。实验表明：1) 在AI-TODv2.0（54.9% mAP）等数据集超越YOLOv9等基线模型；2) EBSP模块使边缘特征显著性提升41%；3) DSPP有效缓解图1(a)中的跨层级特征失配。该成果发表于《Image and Vision Computing》，其技术路线为高分辨率遥感影像分析提供新思路，开源代码已发布在GitHub平台。