Page 210 - 遥感技术在生态环境监测中的应用研究

第六章 展望

是一纸空谈。在数据集数量和质量有限的条件下，数据预处理可以最大限度发挥数据的

可用性。数据预处理主要包括两个部分：数据清洗（Data.Cleaning）和数据增广（Data.
Augmentation）。数据清洗是指对数据进行重新审查和校检的过程，其目的在于使数据更
加的规范化、标准化。数据增广则是指对原始数据集进行一定的随机处理，以产生相似但

又不同的训练样本以达到扩充数据集的目的（李新叶等，2020）。探索自动化的数据清洗
方法以及更加高效具有针对性的数据增广方法，将会是所有目标监测算法共同努力的方向。
2. 骨干网络的改进

目标监测任务中，骨干网络用于提取图像特征，骨干网络的好坏以及使用是否合理
将直接影响目标监测算法的性能（赵永强等，2020）。目前，骨干网络的使用具有一定的
盲目性，存在多种监测任务使用同一种骨干网络的情况，如现有的大多数监测算法均使用

ResNet 作为特征提取网络。因此，遥感图像目标监测领域骨干网络的使用将从以下几个方
面加以改进：（l）针对不同的监测任务，使用不同的骨干网络。不应片面追求监测精度，

在计算资源有限的条件下，骨干网络的参数量及监测效率应当予以考虑。（2）提高骨干
网络针对小目标的敏感性。遥感图像中，小目标占多数，因此提高骨干网络对于小目标的
敏感性将从根本上提高监测算法的性能，算法 RCNN++ 相较于 RCNN，其监测精度提升了

接近 11%（从 60.67% 提升至 71.16%），主要原因是前者针对遥感图像中的小目标设计了
独特的锚框策略，以及使用标注信息使得特征提取网络能够更好地从复杂的背景中提取目

标的特征。（3）提高骨干网络的计算效率。目标监测的未来发展一定是趋向于实时化，
因此目标监测速度的提升迫切需要提高骨干网络的计算效率，即对于一些数据量相对较少
的数据集（如 HRSC2016 等），可以考虑使用轻量化的特征提取网络，在尽量减少精度损

失的前提下着重提高监测效率，并减少计算量。
3. 倾斜边界框的设计
现阶段普遍使用的倾斜框表示方法主要有两种：一种是带有角度的旋转矩形框，另

一种是由 4 个顶点表示的多边形边界框。但此两种方法均存在一定的不足之处，旋转矩形
框受限于角度这一周期变量与其他变量的不一致性，而多边形边界框则往往面临着顶点的
排列顺序错乱问题。针对此问题，部分学者已经提出了一定的改进方案，如 Gliding.Vertex

直接通过水平边界框来回归多边形边界框的 4 个顶点；P-RSDet 采用极坐标的方式表示边
界框等，二者均是将水平框与倾斜框统一到了一起，目前来看这两种算法均取得了良好的

效果。因此，倾斜边界框的设计以及如何将水平框与倾斜框进行有效的结合仍是倾斜框监
测算法的重中之重。
4. 损失函数的改进

目标监测包括目标分 SmoothLl 损失在回归角度这一周期变量时，往往出现损失不连
续的现象。算法 SCRDet 和 RSDet 均对损失函数进行了一定的改进，并取得了不错的监测

效果（SCRDet 和 RSDet 相较于 RCNN++，三者的骨干网络及其余部分设计均相似，前两
203