一种结合非顶层特征图和自适应阈值的飞机目标检测算法

针对Faster R-CNN模型在遥感影像中对飞机目标进行检测与识别时,易出现漏检、错检等问题,提出了一种在基于小样本飞机遥感影像数据集的改进型Faster R-CNN目标检测方法。首先对特征提取网络进行优化,然后将非顶层特征图融合顶层特征图得到边缘信息更丰富的融合特征图,利用该特征图输入RPN网络,完成目标检测模型的训练;并结合自适应阈值进行检测。以普通客机与战斗机目标为试验对象,开展飞机目标检测与识别对比分析。试验结果表明,所提出的算法在小样本情况下检测效果有明显提升。     

基于改进Faster R-CNN的码头自动识别

码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据。然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题。本文基于公开遥感数据集及Google Earth高分遥感影像构建了3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进：（1）采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;（2）采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率。实验结果表明,本文改进的Faster R-CNN算法FKSN（Faster R-CNN+K-Means+Soft-NMS）识别精度达到92.6%,相较Faster R-CNN算法精度提高了8.3%。将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2%和7.6%,说明本文方法对于各类码头目标识别具有更好的效果。基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径。     

深度学习的遥感影像舰船目标检测

针对传统舰船检测方法中流程繁琐,速度较慢且对于复杂背景区域的检测精度较低等问题,该文提出了一种改进的Faster R-CNN深度神经网络端到端自动检测方法。该方法通过数据增强技术对数据集进行扩充,使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取,在区域生成网络中针对舰船目标长宽比较高的特点修改了标定框的长宽比,较好地解决了传统检测方法步骤繁琐,速度较慢等缺点,实现了对遥感影像舰船目标的自动检测。实验结果表明,改进后的Faster R-CNN检测算法能够对遥感影像中的舰船目标进行快速的精确检测,准确率可达92.3%,检测速度达到每秒5帧。即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比,该方法提升了目标检测效果和识别效率,Faster R-CNN检测算法相比该方法提升了检测精度。     

基于全卷积网络的高分辨遥感影像目标检测

目标检测是遥感图像分析处理中的研究热点之一,具有十分重要的科研和应用价值。传统遥感影像目标检测方法多使用人工构造的浅层次特征,结合支持向量机、随机森林、Adaboost等分类器进行目标识别,难以充分挖掘和利用影像中的深层特征。近年来,深度学习,特别是卷积神经网络在图像认知方面取得了巨大成功。在目标检测领域,以Faster R-CNN算法为代表的方法取得了突破性进展,检测精度大幅提高,检测速度达到了近实时的性能。但是,Faster R-CNN算法由于使用了感兴趣区域（RoI）池化层,各个RoI计算不共享,因此检测速度依然有待提高。R-FCN基于全卷积网络结构,同时采用位置敏感池化来引入平移变化,抵消全卷积网络造成的平移不变形问题,检测精度和效率都有了很大的提高。本文阐述了R-FCN算法原理,并运用于高分辨遥感影像目标检测分析了不同参数和网络结构对R-FCN检测效果的影响,比较了利用Fast R-CNN、Faster R-CNN和R-FCN 3种算法进行飞机识别的性能。试验结果表明,利用R-FCN进行飞机识别定位可以达到99.3%的准确率和每张图180 ms的检测速度。     

基于Faster R-CNN的高分辨率图像目标检测技术

为提升传统算法对高分辨率遥感图像中地物目标的检测效果,将深度学习目标检测框架快速区域卷积神经网络(faster regions with convolutional neural network,Faster R-CNN)应用于高分辨率遥感图像目标检测任务中。以机场为检测场景、飞机为检测目标进行实验,首先,利用高分辨率遥感图像数据集训练Faster R-CNN框架,得到相应的目标检测模型;然后,采用该模型对高分辨率遥感图像中的飞机目标进行检测;最后,对实验结果进行统计分析及评价。实验结果表明,Faster R-CNN模型能够全面而准确地检测飞机目标,最优F1分数值为0. 976 3,并且同一个模型可以对多种高分辨率遥感图像进行目标检测。     

遥感影像目标检测的轻量化密集连接网络北大核心CSCD

针对无人机遥感影像中可能出现的多个密集的小目标,在检测时会出现误检、漏检的难点问题,本文提出了一种基于YOLO v4的具有密集连接网络模块的遥感影像轻量化目标检测算法,实现了对无人机遥感影像中车辆小目标的高精度识别。首先,对YOLO v4主干网络CSP Darknet53的卷积层采用密集连接、稀疏连接两种处理方式,加强特征的提取和重复使用,以缓解梯度消失问题;然后,对此模块进行模型剪裁,减少网络层数并定义为新的密集连接网络模块;最后,在NWPU-VHR-10数据集和笔者所在课题组制作的Vehicle-850无人机影像数据集上进行了对比试验并取得了较好的效果。本文改进后的网络结构在提高遥感影像目标检测准确率的同时,缩短了网络模型的收敛时间,减少了模型占用的内存空间,提高了遥感影像中目标检测的速度。     

基于卷积神经网络模型Faster R-CNN的遥感影像目标识别研究

目标识别是遥感高分辨率影像时代的重要应用方向。采用深度卷积神经网络对遥感影像学习训练,能够从遥感影像中自动提取出多个具有代表性的典型地物特征以及特征组合,并应用于多变而复杂的遥感影像数据中进行目标分类识别。本研究选用NWPU VHR-10数据应用于Faster R-CNN卷积神经网络模型中,并采用MAP进行评价,研究中得到了较好的检测精度,证明在遥感影像数据中采用深度卷积神经网络进行目标识别有着广阔的应用前景。     

结合RPN网络与SSD算法的遥感影像目标检测算法

利用传统方法对遥感影像的目标检测,过程复杂并且耗时.随着深度学习的发展,用深度学习的方法进行目标检测,为遥感影像的检测开辟了新的思路.当前目标检测的方法主要包括以Faster R-CNN为代表的两阶段检测算法和以SSD为代表的单阶段算法,两阶段算法精度高速度慢,单阶段算法速度快精度低.针对两种算法的优势,该文将Faster R-CNN中的RPN与SSD算法相结合,融合单阶段和两阶段算法的优势,在提高精度的情况下保证速度,并加入特征金字塔结构,利用多个卷积层融合低层特征和高层特征的信息,提高预测效果.在NWPUVHR-10高分辨率数据集上进行训练和测试,对结果进行算法评估.同时选用测试集将该文算法与Faster R-CNN和SSD算法进行对比,实验表明该文算法提高了对小目标物体的检测精度,获得了更优的性能.     

结合Faster R-CNN模型的遥感影像建筑物检测

高分辨率遥感影像场景复杂,其中建筑物目标种类结构各异且存在大量遮挡,现有检测算法使用特征表达性不强。结合Faster R-CNN模型设计一种针对遥感影像的建筑物检测方法。首先通过共享卷积网络获取原始影像的深层特征图;然后结合区域建议网络生成初步检测结果;最后根据Fast R-CNN检测网络对结果进行进一步判定和边界回归。针对困难样本造成的训练中断,对训练策略进行改进,通过近似联合训练的方法对模型参数同步调优。实验结果表明,该方法准确率和召回率明显优于DPM方法,对非训练测试集遥感影像具有较好鲁棒性,有效实现了针对遥感影像的建筑物检测。     

利用深度学习进行GF-6影像枣园检测识别

针对新疆南疆大规模枣园的检测识别,本文提出了一种基于泛化迁移深度学习的枣园目标检测识别方法。以GF-6卫星影像数据为基础制作了Jujube数据集,并将其泛化扩充增强;以Faster R-CNN体系为基础,利用多态协同模式实现数据集的有效关联和优化重构,进行检测识别模型的迁移深度学习以提高对目标对象检测识别的泛化能力。结果表明,模型算法的验证识别精确率、召回率和调和平均值分别达0.979、0.952和0.965,在应用测试中,3个指标平均值均大于0.929,优于传统检测方法,且本文模型方法总体分类精度为0.97,Kappa系数为0.93,均高于面向对象最邻近法,能够有效地满足研究区规模化枣园目标检测识别的精度和效率的要求,为精细化枣园田间管理提供基础依据。     

基于Faster R-CNN的火电厂冷却塔检测及工作状态判定

针对目前火力发电厂检测研究较少、识别难度大、工作状态监测少等问题,提出一种以冷却塔为关键地物目标的火电厂冷却塔检测方法,并根据冷却塔是否排气判定电厂工作状态。基于Faster R-CNN深度学习网络,通过设计对比实验,对冷却塔及其工作状态特征进行精确提取,并对检测及判定结果进行验证。实验结果表明,该模型在目标工作状态检测中,选取8个不同区域验证,均取得理想效果。由此可见,Faster R-CNN模型能准确检测电厂冷却塔,可有效判定火力发电厂工作状态并具有多区域适用性。此外,该方法也可迁移至城市内具有排气现象的其他大型工业地物目标工作状态判定中。研究成果可有效服务于城建部门对局域环境的监管,具有较大的应用潜力。     

融合卷积神经网络和循环神经网络的车轮目标检测

目标检测是基于视觉的目标定位关键技术。针对现有车轮检测方法对环境敏感问题,本文提出一种并联式融合循环神经网络和Faster R-CNN的车轮检测模型FusionRNN,借助RNN能够处理时序和CNN能够提取空间域隐性特征的优点,可提高实时性,减少参数量,使模型表达能力更强,同时具备分析序列化向量间语义关系和识别车轮几何特征的能力。该模型能在由激光雷达扫描得到的车轮三维点云投影图中准确检测出车轮位置,为基于AGV自动停车系统搬运车辆提供准确稳定的车辆位置信息。     

一种基于改进实例分割模型的路面裂缝检测方法

为了解决现有裂缝识别算法准确度不高、检测与分割任务不能同时进行等问题,提出了一种基于改进型Mask R-CNN模型的路面裂缝识别方法。首先,建立裂缝数据集并进行标注,然后使用Mask R-CNN模型对裂缝数据集进行训练和测试,并对模型中锚点的长宽比进行调整,实现在裂缝定位的同时对生成的检测框内的裂缝像素进行分割;其次,针对Mask R-CNN模型生成的裂缝检测框不精准的问题,设计了C-Mask R-CNN多阈值检测方法,通过结合级联不同阈值的检测器来提高候选框质量,实现高阈值检测下的裂缝精准定位;最后,对改进后的模型进行一系列的优化参数和实验对比,并验证所提模型的有效性。实验结果表明,C-Mask R-CNN模型检测部分的平均准确率均值（mean average precision,mAP）达到0.954,与改进前模型相比提升了9.7%,分割部分的mAP达到0.935,与改进前相比提升了13.0%,识别效果较好。综上所述,C-Mask R-CNN模型可以较为完整地对裂缝进行定位及提取,识别精度较高。     

轻型注意力卷积无人机影像车辆检测模型研究

提出一种能够部署于无人机终端的轻量级端到端车辆检测模型。在骨干网络中,首先,使用焦点机制对输入的原始图像进行无损下采样;然后,利用带有轻型注意力模块的深度可分离卷积核组成特征提取层;最后,在特征金字塔中通过跨尺度多层融合来提高三个层级输出特征图内的信息复杂程度。将开源无人机影像数据集VisDrone与多个时期采集的无人机道路影像混合,经过增强处理后作为训练集对模型进行训练。实验结果表明,本文所提出模型对于各类车辆目标均表现出稳定的检测性能,在综合检测精度方面明显优于几组对照模型,同时训练后模型体量较小,能够在测试环境的嵌入式硬件终端上部署并开展实时检测。     

遥感图像目标检测的数据增广研究

针对目标检测的遥感图像样本数据量匮乏问题,使用几何和色彩两种数据变化方法对数据集进行增广,并利用Faster R-CNN目标检测算法分析了数据集增广对遥感图像目标检测的影响。在不同遥感图像数据集上进行实验,结果表明,相比于原始的训练集,增广后的训练集训练出的模型在测试集上的表现更好,目标检测准确度更高,且模型的泛化性得到明显提升。     

可变形网络与迁移学习相结合的电力塔遥感影像目标检测法

电力塔是电力基础设施的重要组成部分,对其进行检测是必不可少的工作。针对当前遥感影像电力塔检测算法精度低,效果差的问题,本文基于可变形网络和迁移学习对Faster R-CNN进行改进,提出一种基于遥感影像的电力塔检测框架。该框架主要分为两个部分:①特征提取子网络,即利用可变形网络模型改进卷积层,来提高模型对于电力塔几何形变的特征提取能力;②目标检测子网络,即通过模型迁移,将由特征提取子网络训练获得的模型参数迁移至此子网络,由RPN网络和可变形区域池化结合非极大值抑制(NMS)精确获取电力塔位置,利用Fine-tuning技术快速训练此子网络,最终实现高精度的遥感影像电力塔检测。本文算法在测试集中对电力塔检测结果为AP_(0.5) 0.886 1,AP_(0.6) 0.839 6,ACC 0.894 8,与SSD、YOLOv3、Faster R-CNN等相比,各检测指标至少高0.2。由对比试验可以看出,该框架对电力塔遥感影像可以实现较高精度检测,表明该方法在电力塔检测上拥有较大应用潜力。     

改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN（Region Proposal Network）机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

基于深度卷积神经网络的遥感图像船只识别

根据遥感图像的特点,针对海面目标难以准确识别的问题,提出了一种基于深度卷积神经网络的船只识别方法.首先利用分类网络进行图像的预分类,然后在分类结果的基础上,构成双通道的识别体制,识别网络采用Faster R-CNN.针对受云雾遮挡的船只识别问题,利用改进的深度卷积神经网络结构开展网络训练与调优,处理结果的F1-Score最高可达0.7253.训练的网络模型表现出很好的船只目标识别能力,处理结果证明了该方法的有效性与准确性.     

深度卷积网络支持下的遥感影像井盖部件检测

数字城市管理发展中城市部件调查是一项重要的任务,但是城市井盖部件信息获取存在人工调绘效率低、精度难以保证等缺陷,影响城市井盖部件的及时更新。因此本文利用深度卷积神经网络模型,通过小卷积核、尾部裁剪和保持输入大小等改进边缘检测网络（HED）并增加两层卷积运算提取目标,提出HED-C网络模型,实现了端到端的井盖部件目标检测。试验结果表明,利用HED-C模型井盖部件召回率可达96.58%,查准率可达97.93%,相较Faster R-CNN、YOLO和SSD网络模型,综合性能有了较大提高。     

基于实例分割模型的建筑物自动提取

传统的遥感影像目标提取方法大多采用目视解译或基于像素信息进行处理,难以适用于高分辨率影像中的复杂场景。而现有的卷积神经网络语义分割模型,由于难以达到较高的精度会出现提取目标粘连的情况。针对该问题,本文对实例分割模型Mask R-CNN进行改进,提出了一种高效、准确的高分辨率遥感影像建筑物提取算法。首先,在Mask R-CNN原有的特征提取部分每个层级的特征图后再增加一层卷积操作,以降低上采样造成的混叠效应;然后,在原有掩膜预测结构的基础上增加一个分支,改善掩膜预测的效果;最后,将改进后的网络在建筑物数据集上进行训练。结果表明,本文方法能够准确独立预测每个建筑物顶部,没有目标粘连情况,且mAP值较Mask R-CNN有所提高,能够有效实现遥感影像建筑物精细化提取。