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...     

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GoogleEarth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FasterR-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FasterR-CNN算法FKSN（FasterR-CNN+K-Means+Soft-NMS）识别精度达到92.6%,相较FasterR-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FasterR-CNN、FasterR-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FasterR-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。     

一种优化的Faster R-CNN小目标检测方法

图像目标检测是计算机视觉与数字图像处理的一个热门方向,其主要任务是找出图像中感兴趣的物体并确定物体的位置与类别.目前基于深度学习模型是主流的目标检测算法,利用其解决诸多学科问题成为一种趋势.本文采用区域卷积神经网络(Faster R-CNN)深度学习算法和相关图像处理算法,以ResNet50、ResNet101为骨干网...     

基于Faster R-CNN的遥感影像船舶检测识别

随着遥感技术的不断发展,遥感大数据在人们生活中扮演着越来越重要的角色,但由于遥感数据量大,数据处理较为困难。机器学习技术凭借如今硬件科技的发展,使得其自身计算处理能力得到了巨大的提升,因而被广泛地应用于各个领域。由于数据处理和计算机能力的提升,深度学习被广泛应用于遥感领域中。同时,深度学习在其他领域中也被证明是一个极其强大的工具。结合遥感数据量大的特点,本文通用Faster R-CNN的方法实现了对船舶遥感影像的快速检测,并且取得了较高的检测率。     

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Faster R-CNN的卫星SAR图像南海海洋内波自动检测

海洋内波广泛存在于世界各大洋和边缘海中,在海洋能量串级中扮演着重要角色,在海洋资源开发、海洋工程建设和海洋军事活动等方面均具有重要学术价值与实际意义。海洋内波在合成孔径雷达SAR（SyntheticApertureRadar）图像上呈现出亮暗相间的条纹状特征。本文利用2001年—2020年南海海域包含不同微波波段（C、L、X）、不同极化方式、不同空间分辨率的631幅星载SAR图像,构建了5480个SAR图像南海海洋内波样本,结合FasterR-CNN框架,利用迁移学习的方法,实现SAR图像上的海洋内波自动检测。模型识别准确率达到95.7%,召回率为92.3%,在准确率较高的同时还能保持较低的虚警率。该算法的建立使得基于海量卫星SAR数据检出海洋内波成为可能,从而为针对性地开展内波动力参数反演和过程研究提供了技术和数据基础。     

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。     

基于Mask R-CNN的高分遥感影像建筑物目标检测

深度学习方法在目标检测和语义分割领域得到了广泛应用,但在遥感影像中,由于建筑物呈聚集型分布且目标之间间隔紧密,建筑物目标检测暂未取得较好的效果。针对上述问题,提出一种基于MaskR-CNN的高分辨率遥感影像建筑物目标检测方法,将边界框识别与像素级语义分割结合起来,较好地解决了聚集分布且间隔紧密的建筑物目标检测问题。实验结果表明,该方法具有较高的检测精度。     

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...     

一种运动目标轨迹提取方法

针对基于区域的轨迹提取类算法的时间复杂度高等问题,该文提出了一种基于FasterR-CNN的目标轨迹提取方法,利用FasterR-CNN能够快速定位和特征提取的原理,快速确定目标区域,在此基础上提出距离加阈值限制的方法进行目标关联。该方法不要求FasterR-CNN模型具有较高目标框回归精度,且充分利用卷积神经网络能够高效提取图像特征的特点,在保证轨迹提取精度的同时,降低了目标区域确定的时间和数据量,且通过均匀抽取和目标参考点关联的方法,进一步降低了目标关联的时间。与基于Camshift的区域提取法对比,在时间复杂度基本一致的情况下,大大提高了复杂背景和复杂纹理条件下目标区域确定的准确率,使得轨迹提取率更高。     

一种基于Cascade R-CNN的遥感影像建筑物自动检测方法

提出了一种基于CascadeR-CNN的建筑物自动检测方法,在自己制作的建筑物数据集上,将经典的FasterR-CNN训练结果作为基准实验数据,同时利用候选区域提取卷积神经网络和多阶段级联模块训练数据集。在测试集上利用训练模型进行建筑物检测,得到每张影像中建筑物的类别、位置和置信度,并通过多项评估指标进行检测结果的精度评定。实验结果证明,该方法相比其他方法有更好的检测效果,在建筑物检测上有一定的实用性和优越性。     

基于支持向量机的特定目标检测方法

提出了运用支持向量机进行目标检测的方法。通过对航空影像中的军事目标和自然背景两类样本进行学习,支持向量机检测方法建立了针对目标和非目标有效区分的识别模型,该模型能够对航空影像中所有的区域进行快速的检测和识别,检测到所有感兴趣的人造军事目标。试验表明,该方法快速、高效且具备一定的鲁棒性。     

基于聚类分析的运动目标检测与分割算法及实现

提出了一种基于模式识别的时间序列影像运动目标检测与分割方法,利用聚类分析的思想改进了简单差分方法,引入模式特征空间及运动模式识别作为运动目标检测的判据,实现了运动目标的检测、识别与分割。