关键词： 固定翼无人机   跑道着陆   单目视觉   目标检测   着陆控制  

摘要： 随着低空经济的蓬勃发展,固定翼无人机的自主导航与控制技术也在不断进步和取得突破。然而,在复杂环境中,固定翼无人机的自主飞行能力仍面临许多挑战,特别是在着陆阶段,最容易出现问题。针对GNSS拒止环境下固定翼无人机跑道着陆的需求,本文旨在提出一种低成本、高可靠性的着陆解决方案。为此,本文提出了涵盖从巡航进场到滑跑阶段的整套视觉检测算法,并对相应的导航与控制系统及着陆关键技术进行了深入研究。具体研究内容如下: 1.针对无人机着陆阶段跑道区域检测问题,构建了专用跑道数据集。考虑到跑道目标区域在着陆过程中存在尺度动态变化的特性,对YOLOv11s目标检测算法进行了改进:首先,采用CSP-PMSFA模块替换原有的C3K2模块;其次,引入Dy Sample上采样方法;最后,采用EIo U损失函数优化模型性能。此外,提出了LSDECD多尺度检测头结构。经过实验对比,与YOLOv11s模型相比,改进的RW-YOLO算法在模型平均精度(m AP)上有所提升,有效提高了无人机着陆阶段跑道目标的检测精度。 2.将无人机着陆过程划分为两个阶段进行跑道线检测。在第一阶段,与传统线特征检测算法相比,将检测到的跑道区域选定为ROI区域,并引入多尺度LSD算法进行跑道线检测,同时采用RANSAC算法对地平线进行拟合优化。在第二阶段,借鉴车道线检测方法,引入UFLD检测模型进行跑道线检测。基于自建数据集,采用Wide Res Net-50作为主干网络以增强特征提取能力,同时增加了跑道线分类器并优化了拟合方法。实验结果表明,所提出的分阶段改进跑道线检测算法能够有效应对无人机着陆场景下的跑道线检测任务,满足实际应用需求。 3.基于视觉检测获取的跑道特征信息,实现了无人机与跑道之间的相对定位,并实时解算出无人机的相对位姿。为进一步提高导航精度,采用扩展卡尔曼滤波(EKF)算法将视觉检测的特征信息与低精度惯导的输出结果进行数据融合。通过两种导航方式的互补信息融合,有效提升了导航系统的整体精度和可靠性。 4.针对无人机着陆阶段动力学特性表现出强烈的耦合性和非线性特征,引入扩张状态观测器,设计了着陆阶段无人机基于ESO-INDI的控制器,并进行内外回路的仿真验证,验证了所设计控制器的鲁棒性和稳定性。

关键词： 深度学习   目标检测   合成孔径雷达(SAR)   轻量化网络结构   模型剪枝  

摘要： 复杂合成孔径雷达(synthetic aperture radar, SAR)影像场景下准确高效的目标检测算法能够提升监测装备的感知能力。针对海上复杂环境SAR图像舰船目标漏检、错检问题严重，提出了一种轻量级视觉感知模型DH-YOLO(double detection head-YOLO)。首先，提出了低维双检测头网络结构，解决SAR图像舰船小目标随着卷积导致的特征丢失问题；然后，提出了cosN-IoU(cosine normalized intersection over union)损失函数，设计新的锚框角度损失度量方式，并引入调节因子提高正样本的贡献。最后，提出了基于特征空间相似度的剪枝算法，依据滤波器相似度为可替换指标，完成网络特征信息剪枝，提高算法推理速度，实现轻量化处理。相较于当前主流算法，DH-YOLO在各方面均取得了不错的成绩，精度明显提高并且模型体积可压缩至190 kB,模型推理时间可降低至3 ms以下，能够满足SAR图像实时舰船目标检测。

关键词： 改进YOLOv5s算法   高光谱遥感图像   空间注意力   目标检测  

摘要： 针对高光谱图像的光谱分辨率非常高，且包含的地物种类波段较多，使目标与背景之间的光谱差异非常微小，容易造成光谱混淆，使目标检测的准确度较低的问题，提出基于改进YOLOv5s算法的图像目标检测方法。建立特征金字塔并实行多尺度加权，利用特征金字塔中不同层间的权重，对特征加权融合，并将其引入注意力机制中，输出空间注意力机制光谱特征，将该特征值作为对比参照，对通道重新加权分配，获取通道注意力机制输出的光谱特征，将两个光谱特征维度相乘，得到校准后的高光谱图像特征，将其作为改进YOLOv5s算法的输入，有效区分图像中的微小光谱特征差异，避免光谱混淆，根据中心值计算检测框与真实框重叠区域，完成目标检测，保证检测精准度。实验证明：本文方法对高光谱遥感图像中的地物检测精准度较高，在检测1 057 p像素大小的图像时，帧率高达60 fps，综合性能表现优异。

关键词： 深度学习   图像分类   多尺度特征提取   图像处理  

摘要： 图像分类作为计算机视觉领域里的关键任务之一,在遥感、医学、安防等众多领域都有广泛应用,近些年来在深度学习的推动下取得显著进展。传统的卷积神经网络通过局部感受野以及多层次特征提取,在图像分类任务中表现优异。然而,卷积神经网络在处理全局信息以及长距离依赖关系时存在局限性。ViT(Vision Transformer)借助引入自注意力机制,可捕捉图像中的全局信息,并且在大规模图像分类任务中取得了与卷积神经网络相当甚至更优的性能。即便如此,ViT在图像分类任务中,尤其是在多尺度信息的高效提取和融合等方面仍面临挑战。本研究致力于ViT架构的优化与改进,探索多尺度特征融合机制,以此提升模型在图像分类任务中的性能表现: (1)优化分类任务中的PVT(Pyramid Vision Transformer)模型激活机制:PVT模型具有金字塔结构,旨在更全面地捕捉图像中的多尺度信息,但PVT在下采样产生的尺度变化可能导致特征的动态范围在不同层之间发生变化,引发层间波动。本研究为PVT模型引入层级激活机制,将饱和状态分配给层级,减少激活输出在层级上的波动,从而提升PVT模型在分类任务的性能以及鲁棒性。为了评估优化模型的有效性,本研究自建一个植物多源数据集,并将其转化为噪声图像,以便更真实地模拟实际场景。在不进行预训练的前提下,该研究在CIFAR-10、自然景观数据集和自建的植物数据集上的准确率分别提升2.78%、1.5%和1.7%。 (2)融合PVT与ResNet50模型的多尺度特征提取:PVT凭借金字塔结构整合从局部到全局的多尺度信息,但其低层特征提取能力有所欠缺。ResNet50利用残差学习高效提取局部特征和层次化信息,可更好地捕捉低级特征。两者的结合充分发挥了优势互补的作用。本研究在PVT模型输入阶段集成ResNet50,提升模型的多尺度特征提取能力。ResNet50提供丰富的低层次特征,PVT实现精细的特征融合与优化。融合后的模型增强了不同尺度特征的捕捉能力以及鲁棒性。实验表明,该研究在CIFAR10和CIFAR100数据集上的准确率分别提升4.9%和3%,验证了ResNet50与PVT的协同增效作用。 (3)融合DilateFormer模型与EMA模块的多尺度特征提取:DilateFormer模型通过结合扩张卷积和Transformer的优势,有效捕捉多尺度特征和长程依赖关系,但其通道间的交互能力不足。EMA模块借助跨空间学习机制,可有效捕捉并整合从局部到全局的多层次信息。两者结合进一步提升模型的多尺度特征提取能力。本研究在DilateFormer模型的输入阶段集成EMA模块来提升模型的多尺度特征提取能力。DilateFormer模型在保持其固有的多尺度扩张注意力优势的同时,经过EMA模块的精细特征处理,提高了模型对不同尺度特征的敏感性和判别力。该研究在CIFAR10和CIFAR100数据集上的准确率分别提升2.06%和3.2%,凸显了融合模型在多尺度特征提取任务中的有效性。

关键词： 图像处理   共聚焦显微内窥镜   畸变校正   蜂窝伪影   图像错位  

摘要： 错位、畸变以及蜂窝伪影是光纤束共聚焦显微内窥镜图像中存在的常见问题，这些问题严重破坏了图像包含的信息，阻碍了对图中目标物体的进一步分析与研究。为了有效地恢复图像所包含的信息，本团队提出了一种共聚焦显微内窥镜图像校正与重建的综合方法。该方法使用基于Delaunay三角剖分的插值法去除蜂窝伪影，并将错位和畸变校正过程与Delaunay三角剖分相结合，避免了重复评估图像的错位量以及重复进行畸变校正。本团队搭建了光纤束共聚焦显微镜实验装置，并通过实验对所提图像重建方法进行了验证。实验结果表明，本文方法有效消除了错位、畸变以及蜂窝伪影。与将高斯滤波、错位校正和畸变校正简单结合的重建方法相比，本文方法重建图像的对比度噪声比提升约1倍。

关键词： 目标检测   YOLO   轻量化   特征融合   野生动物  

摘要： 野生动物对生态平衡和生物多样性至关重要。我国自然保护区通过相机采集影像数据用于对野生动物的生存状态进行研究。为了高效地处理相机采集到的海量数据,深度学习目标检测技术被应用于野生动物检测中,其能够自动识别和定位图像中的野生动物,从而显著提高了处理效率。但是目前已知的目标检测算法在面对野外复杂环境时,容易出现漏检、误检以及定位不准等问题。面对上述问题,本文进行了以下工作: (1)建立野生动物图像数据集:通过野生动物视频数据抽帧以及网络采集的方式收集25类野生动物图像数据,并使用数据增强技术对野生动物数据集进行扩充,为本文的算法研究提供数据基础。 (2)提出基于特征融合重构与轻量化设计的动物检测算法(YOLOv5-GDD-PD):为了抑制背景噪声的影响和优化网络对野生动物目标的分类与定位,通过引入GD(Gather-and-Distribute)机制,重构YOLOv5的特征融合网络,并结合DyHead(DynamicHead),得到YOLOv5-GDD算法。改进后的模型检测精度得到了显著提升,但其复杂度和计算量也随之增加,不利于边缘设备进行模型部署。为此,本文通过模型剪枝与知识蒸馏实现复杂度压缩与性能补偿。实验结果表明,YOLOv5-GDD-PD相比YOLOv5,mAP@0.5提升2.3%,mAP@0.5:0.95提升7.5%,计算量减少6%。 (3)提出融合边缘感知与深度特征交互的动物检测算法(YOLOv5-EDFI,YOLOv8-EDFI):为了增强多尺度边缘信息,提出了EdgeSelect模块。该模块通过EdgeBoost子模块强化边缘特征的表达,并结合DSM(Dual-domain Selection Mechanism)注意力机制,进一步提升了网络筛选有效特征的能力。此外,提出HyperDCNet特征融合网络,提高网络在复杂场景下对动物细节特征的提取能力。将两种改进方法应用到YOLOv5-GDD和YOLOv8中得到YOLOv5-EDFI和YOLOv8-EDFI两种动物检测算法。实验结果表明,YOLOv8-EDFI相比YOLOv8,mAP@0.5提高0.5%,mAP@0.5:0.95提高5%,YOLOv5-EDFI相比YOLOv5,mAP@0.5提高2.5%,mAP@0.5:0.95提高9.7%。

关键词： 马铃薯幼苗   无人机遥感   机器学习   目标检测   幼苗长势分级   缺苗定位  

摘要： 马铃薯作为我国第四大粮食作物,其产量稳定性对国家粮食安全与农业可持续发展具有重要战略意义。针对传统人工苗情信息获取方法效率低、主观性强的问题,本研究结合无人机遥感与机器学习算法,围绕马铃薯幼苗目标检测、生长状态分级以及缺苗判别定位三大核心环节展开研究:提出轻量化目标检测模型实现幼苗精准检测;改进分类算法进行幼苗长势分级研究;提出了基于动态阈值驱动的缺苗空间定位方法,形成覆盖出苗率评估、长势诊断与补种决策的技术体系。本研究可以为马铃薯田间管理的精准化与智能化提供理论方法支撑,主要研究内容如下: (1)针对无人机影像中马铃薯幼苗小目标检测存在的特征提取困难、模型复杂度高及轻量化需求,本研究基于YOLOv8n模型提出系统性优化方案。首先,采用Vanilla Net轻量化架构替换原始Backbone网络,降低计算负载;其次,在Neck层集成双向特征金字塔网络Bi FPN,增强幼苗微小特征表征能力,小目标检测精确度提升了1.1个百分点;进一步通过GSConv卷积与Vo V-GSCSP模块级联设计优化多尺度特征融合效率。实验结果显示,改进后的模型平均精度(m AP)达到了98.4%,较原模型提升了0.8个百分点,参数量与计算量分别压缩为原型的48.3%与47.2%,推理时间减少了31.0%,通过与Query Det、Retina Net小目标专用模型以及当前主流的YOLOv5等模型进行对比分析,发现本方法各项指标均表现优异,验证了优化策略对幼苗检测的出色效能。另外,田间验证表明,模型预测出苗率与人工实测值相关性达0.94,满足精准农业实时监测需求,可为大规模农田幼苗苗情获取提供高精度技术支撑。 (2)面向马铃薯幼苗长势精准分级需求,本研究提出基于Conv Ne Xt优化的Imp-Conv Ne Xt分类模型。针对幼苗形态差异小、叶片重叠导致的特征混淆问题,首先基于形态学特征与像素分布统计构建壮苗、正常苗与弱苗分级标准,建立科学的分级数据集;其次,设计优化的分类模型,在Conv Ne Xt模型中嵌入EMA通道-空间多尺度注意力模块,通过跨通道特征交互强化弱苗判别能力,并引入SCConv空间-通道解耦卷积,自适应优化叶片重叠区域的特征表达。改进后模型精确率与F1-score分别达95.8%与96.0%,较基线Conv Ne Xt-T模型提升6.8与5.6个百分点,模型参数量由28.30M压缩至25.23M,降低了10.8%。与Res Net101、Swin Transformer、Mobile Net V3等主流模型对比,本方法分级精度均表现最优。田间验证表明,改进模型对壮苗、正常苗与弱苗的分类精确率最高达94.2%,将弱苗误分率控制在了4.2%以内,误差分布与播种深度不均区域呈现显著空间耦合。该方法可精准识别苗情空间分异特征,为变量施肥与播种参数优化提供决策支持,助力资源高效配置。 (3)马铃薯缺苗检测是精准农业管理的关键环节,直接影响产量评估与补种决策效率。针对传统方法在复杂农田场景中适应性差、误检率高的问题,本研究提出一种基于聚类与自适应阈值判定的缺苗检测方法。基于DBSCAN算法设计图像宽度自适应的邻域搜索策略,结合株距高斯分布与种植标准生成动态阈值判定机制,明显的提升了检测的稳定性,F1-score达到了0.92,较固定阈值方法提升了27.8%。实验通过取样块分析发现,该方法缺苗检测平均准确率为91.67%,且生成的热力图标定了缺苗的位置以及统计了缺苗数量。该研究可为精准补种与产量优化提供技术方案。 本研究通过无人机遥感与机器学习技术的深度融合,构建了覆盖幼苗检测、长势分级与缺苗定位的苗情分析方法,为精准农业苗情信息管理提供科学的方法支撑,推动农业生产的智能化和精细化发展。

关键词： 目标检测   轻量化   垃圾分类   全局注意力机制   特征融合  

摘要： 在城市化进程迅速推进的背景下,居民生活条件不断改善,生活垃圾产量持续攀升。日益多样化的垃圾种类给环境治理带来了巨大挑战。传统的垃圾处理方式在效率与准确性方面逐渐暴露出瓶颈,亟需引入更为智能化的技术手段来提升垃圾治理能力。作为人工智能领域重要分支之一的深度学习,凭借强大的图像识别与特征提取能力已被广泛应用于智能垃圾分类的处理当中。然而,传统深度学习网络模型由于结构复杂、计算开销大、对硬件资源依赖较强等原因难以在资源受限的边缘检测设备上应用与部署。为推动深度学习模型在垃圾分类领域的广泛应用与高效部署,本课题设计了一种基于深度学习的垃圾分类系统,主要的工作内容如下: (1)本文提出了一种基于GSNet的YOLOv8垃圾检测算法。首先,针对现有生活垃圾数据集种类有限、样本不足等问题自主构建的生活垃圾数据集为后续实验提供了充分的数据支持。接着,为了减少模型主干网络在计算资源和参数量上的需求,设计了轻量化主干网络GSNet。最后,对YOLOv8进行了多种轻量化主干网络的替换实验。为了验证改进方案的可行性,在自行构建的生活垃圾数据集上开展了测试评估。结果显示基于GSNet的YOLOv8模型在保持检测性能的前提下,相较于基准算法在参数量和计算需求上分别降低了29.59%和37.93%。 (2)为了进一步轻量化模型结构并优化模型的特征提取与融合机制,本文在基于GSNet的YOLOv8垃圾检测算法的基础上提出了一种基于LWS-YOLO(Light Waste Sorting-YOLO)的垃圾检测算法。首先,针对替换主干网络后存在部分空间信息丢失的问题引入了动态上采样模块。接着,为了增强模型对上下文特征提取的能力设计了全局注意力机制GCA(Global Context Attention),并将其与C2f模块结合构建了GC2f模块。然后,为了降低颈部网络的参数量并优化深浅层特征的多尺度融合引入了VoV-GSCSP模块进行改进。最后,为评估新模块对算法改进的影响,在生活垃圾测试数据集上进行了对比实验。 (3)在上述算法研究的基础上,本文开发了一个基于深度学习的垃圾分类系统。首先,根据实际应用需求设计了垃圾分类装置的外部结构并对所需硬件进行了精心选型。接着,将改进后的垃圾检测算法部署到树莓派4B模块上并基于该模块设计并实现了垃圾分类装置。为了提高用户体验,利用Pyside6开发了人机交互界面。最后,针对系统的整体功能进行了全面的测试与展示,结果表明系统成功实现了预期目标。

关键词： 棒材   表面缺陷检测   深度学习   目标检测  

摘要： 随着中国经济的快速发展,国家对棒材的需求大幅度攀升。因此,研究高效、准确的棒材表面缺陷检测方法具有十分重要的现实意义。本文基于深度学习方法,针对目前棒材表面缺陷检测研究的技术问题进行探索分析,旨在提出高效可行的检测算法与应用方案,实现对各类棒材表面缺陷的精准识别与定位,为棒材工业生产的质量控制提供重要支撑。 本文针对棒材表面缺陷检测技术展开研究,主要工作内容如下: (1)提出一种基于层级特征融合的棒材表面缺陷图像生成框架(HFF-SDGAN),成功实现了对有限数据集的高效扩充,有效解决了样本数据不足的关键问题。该框架创新性地融合了条件生成对抗网络的可控性与Style GAN系列的高质量生成能力,通过层级特征提取模块对缺陷图像进行多尺度特征分析,提取出从纹理细节到语义结构的四个层级特征表示。通过自适应特征融合机制,系统动态计算不同特征层级的重要性权重,并将其与随机潜在向量智能整合,形成富含缺陷信息的条件向量,实现对生成图像特征的精细调控与多样性保证。在生成模块设计上,基于增强型Style GAN架构引入了残差生成块和自校准机制,并结合特征风格调制技术,显著提升了模型在小样本训练场景下的稳定性和收敛速度。 (2)对棒材表面缺陷检测问题,提出一种基于自监督学习的单分类方法,并详细研究了其在棒材表面缺陷在线检测中的应用。由于在实际生产环境中,缺陷样本数量有限且种类不全,传统依赖监督学习的深度学习算法面临较大挑战。反之,无缺陷样本较为丰富且易于获取,因此采用单类样本进行训练的单分类任务更适合于此场景。本研究通过Spot Weaving、Area Fusion和Line Embedding三种图像增强方法对正常样本进行增强,以生成类似缺陷样本的伪样本,以此支持自监督学习框架,在没有真实缺陷样本的情况下训练模型。同时,引入类激活映射(CAM)技术,实现缺陷位置的准确定位。经过实验验证,本文提出的方法在棒材表面缺陷检测方面表现出色,AUC值达到0.9917,显著优于传统方法,有效地解决了缺陷样本稀缺的问题,并为棒材表面缺陷的在线检测提供了一种高效可靠的解决方案。

关键词： 遥感图像目标检测   弱小目标   特征提取与增强   Transformer网络   优化策略  

摘要： 目标检测技术在遥感影像解译领域的发展中始终占据重要地位,其核心任务是对感兴趣的目标实例进行精准的位置定位与类别识别。该技术在现代城市建设、生态环境监测、农村布局规划、社会经济参量估算等任务中发挥着关键作用。随着地球观测技术的不断进步以及任务需求的日益提高,遥感图像中弱小目标的高精度检测技术亟待突破,这主要源于弱小目标在遥感图像中表现出的外观复杂性与特征多样性。这些目标通常像素占比较低,且其颜色、形状及纹理特征具有高度的异质性,导致目标特征易受天气条件、光照变化及遮挡等因素的干扰。这些特性严重制约了遥感图像目标高精度检测任务的实现。具体而言,低信噪比的弱小目标使得现有网络难以从中提取出有效的鉴别信息,包括关键的纹理分布模式、边缘细节结构以及高级语义表示等。同时,在网络优化过程中,弱小目标往往难以获得足够的关注,导致模型对其特征的学习不足,这些问题严重限制了目标检测网络的性能提升。然而,在实际应用中,弱小目标往往携带更具价值的信息,一旦发生漏检或错检,其对实际应用造成的损失远比常规目标更为严重。因此,遥感图像弱小目标检测具有重要的研究价值与现实意义。 自深度学习技术问世以来,其迅速渗透并革新了计算机视觉领域的各个分支。通过创新性的技术融合与持续发展,各类视觉任务相继取得明显的性能突破,并逐步向智能化方向迈进。目标检测任务作为计算机视觉的核心研究方向之一,也在这一技术浪潮中受益。基于此,本文以深度学习驱动的目标检测方法为研究基础,聚焦弱小目标检测中的关键技术难题,开展了一系列创新性研究工作。本文的主要研究内容如下: (1)针对遥感图像弱小目标特征提取困难的技术难题,本文提出了一种基于全局与局部特征稀疏交互的特征提取方法。该方法以Transformer特征提取网络为基础,创新性地在网络中设计了一种窗口注意力引导的局部特征提取方法,通过在局部窗口内对标记数据进行自注意力关系计算,实现了局部特征的有效提取。同时,网络中引入了一种可变形注意力驱动的全局特征提取方法,通过在全局范围内动态地搜索稀疏的相关数据标记,从而提取携带远距离依赖关系的全局特征。整体网络采用从局部到全局的特征提取范式,能够充分挖掘弱小目标的潜在局部与全局表示,为后续目标的鉴定工作提供可靠的判别依据。通过大量实验验证,本文所提出的特征提取方法在性能上表现出显著优势,在不同检测框架下展现了优异的泛化能力,并证明了其在遥感图像弱小目标特征提取任务的独特优势。 (2)针对遥感图像弱小目标关键特征缺乏显著性的问题,本文提出了一种纹理与边界特征增强网络。该网络首先设计了一种纹理特征增强方法,通过建立特征内部像素间的相互关系,深入挖掘并强化目标的纹理特征。其次,本文提出了一种边界特征增强方法,该方法通过边缘度提取算子与特征融合引导机制的协同作用,有效突出了目标的轮廓和边界特征。此外,针对分类与回归任务相耦合导致次优预测问题,本文提出一种任务解耦头部网络。该网络通过特征解耦、样本采样解耦和结构解耦的三重机制,实现了两项任务的针对性训练。通过大量实验与特征可视化验证,本文所提方法能够有效增强目标的纹理与边界特征,为遥感图像弱小目标关键特征增强任务提供了一种有效的解决方案。 (3)同样针对遥感图像弱小目标关键特征缺乏显著性的问题,本研究提出了一种基于多头图卷积的全局语义增强方法。该方法创新性地构建了多头图推理学习框架,并结合前景二进制掩膜机制,能够有效在图表示空间中对目标重要的全局语义上下文进行建模和推理。为进一步优化模型性能,本文还提出了一种跨尺度语义特征交互机制。该机制通过引入特征对齐方法和自适应空间特征融合策略,有效缓解了图映射过程中可能出现的空间错位问题,同时促进了语义特征的跨尺度交互。实验结果表明,所提出的方法显著提升了弱小目标语义特征的表达能力,为遥感图像弱小目标检测的关键特征增强研究提供了一种新的解决思路。 (4)针对遥感图像弱小目标欠优化的技术难题,本文提出了一种基于尺度平衡样本分配与特征对比学习的优化方法。该方法创新性地在保持现有网络结构不变的前提下,通过算法层面的优化有效提升了弱小目标的检测性能。具体而言,本文首先提出了一种面向弱小目标的尺度平衡样本分配策略,该策略综合考虑目标识别难度、尺度特性及训练进程等关键因素,实现了正样本分配量的动态调节,有效缓解了弱小目标样本不足的问题。其次,为进一步增强弱小目标在训练过程中的损失贡献,本文设计了一种面向弱小目标的自监督特征对比学习策略。该策略通过构建特征对比损失函数,引导网络在嵌入空间中学习相似特征的鉴别能力,从而有效提升了网络对易与背景混淆的弱小目标的识别性能。大量实验结果表明,所提出的两种优化策略在提升弱小目标检测性能方面具有优势性,为解决遥感图像弱小目标检测难题在优化层面提供了新的解决方法。