一种基于改进YOLOv3的遥感影像飞机目标检测算法

针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。     

基于单阶段神经网络的房屋屋顶检测方法

针对现有方法利用无人机影像对房屋目标进行检测的过程中存在错检、漏检率高等问题,构建了单阶段卷积神经网络来实施无人机影像房屋检测,并在德国宇航中心开源数据集(Deutsches Zentrum für Luft-und Raum fahrt,DLR)3KVehicle的基础上,采用多种数字图像增强手段对原始图像进行数据增强处理,提高训练后模型的泛化能力.在测试数据集上对训练后的网络进行测试,采用精度均值(Average Precision,AP)和每秒传输帧数(Frames Per Second,FPS)指标进行评价.并将检测结果与经典的目标检测模型单激发多盒探测器(Single Shot Multi-Box Detector,SSD)以及YOLOv3的检测结果进行对比.结果表明,所构建的卷积神经网络对于无人机影像中的房屋目标尤其是小目标有着较高的检测精度,检测精度可以达到91.3％AP,相比SSD和YOLOv3在精度方面提高了11.5％和8.3％.同时网络的检测速度可以达到每秒传输帧数21m·s-1,能够快速精确地检测出无人机影像中的房屋目标.     

改进Mask R-CNN公路病害检测算法

针对公路路面病害与背景像素对比度低导致检测困难的问题,本文提出了改进Mask R-CNN公路病害检测算法(FAC-Mask R-CNN)。首先在ResNet101基础上增加强位置信息浅层特征表达,并融合相邻特征图作为主干网络最终特征输出,同时引入CBAM模块,以减弱目标与背景像素间低对比度的影响;然后采用深度可分离卷积和空洞卷积分别代替主干网络及有效特征层输出过程应用的普通卷积,提升模型计算效率及掩码预测精度。FAC-Mask R-CNN在公路路面病害数据集(RDD)上平均精确率为89.86%,召回率为88.54%,调和均值为90%,相较于Mask R-CNN算法平均精确率提升3.09%。结果表明,FAC-Mask R-CNN能有效完成公路路面病害精细化检测与分割任务。     

一种面向绝缘子缺陷检测的YOLOv5l优化模型

由于无人机电力影像存在绝缘子器件尺度变化大,输电线路背景复杂,绝缘子缺陷目标小的特点,导致传统目标检测算法识别精度不高。该文提出以YOLOv5l为基础的CA、Transformer编码块和多尺度相融合的改进网络模型,较好的提高了大尺度变化影像上绝缘子缺陷检测的准确性,提升了复杂背景下多类型绝缘子缺陷识别的能力,并解决了微小绝缘子缺陷漏检的问题。基于在某电网公司的数据集上完成训练和验证实验,表明优化模型相比原YOLOv5l模型,准确率提升8.9%,召回率提升4.4%,平均精度均值提升3.5%,说明改进模型对绝缘子缺陷检测有效。     

轻量卷积神经网络遥感影像目标检测方法

针对常规遥感影像目标检测模型在低算力环境难以运行问题,提出一种新的轻量级目标检测方法.采用深度可分离卷积核及通道分组混排构建轻量级特征提取网络,采用K-means聚类获取锚点框,使用跨层连接双层特征金字塔预测多尺度目标.利用遥感影像目标检测数据集(RSOD)数据集对模型训练,采用精度均值,平均精度均值,每秒传输帧数对模...     

基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测

传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。本文提出了一种基于多尺度形变特征卷积网络的目标检测方法,利用可形变卷积网络对具有尺度和方向变化的遥感图像目标进行特征提取,然后对多层残差模块提取出的形变特征进行区域预测和鉴别。具体模型包括两个子网络：①目标区域预测子网络用于从多层深度特征图提取目标候选区域;②目标区域鉴别子网络用于对目标候选区域进行分类和位置回归。本文在光学卫星图像10类目标数据集上对比了多种基于深度学习的目标检测算法,并将训练好的模型用于谷歌地球影像飞机坟场数据集和高分2号、吉林1号数据集的评估,试验结果表明本文方法能够快速准确地对多类目标进行检测,具有较好的稳健性和迁移性。     

改进残差网络及时序气象卫星云图的台风等级分类研究

结合了传统残差网络在数据样本小环境下分支卷积层特征的浪费问题，且考虑台风云图时空关联性强、特征复杂因素，参考日本国立情报学研究所在西北太平洋上空通过数个气象卫星拍摄的8 000多景高分辨率台风云图，编制了适应于残差神经网络的时序台风云图分类训练集和测试集。为满足数据集及台风特征，有效优化了原始残差网络的残差块，并得到了恒等映射残差块。经由增加卷积输出来促进分支通路更好的被利用，保留台风图像时序特性，提高网络性能。实验显示，W-ResNets模型在自建台风数据集上的训练精度达到99.60%,测试精度达到76.19%,相较于浅层卷积神经网络的测试精度高出8.48%,相比于使用传统的残差神经网络提高了2.87%,为进一步验证模型的泛化性能，采用MNIST通用数据集进行网络对比实验，宽残差网络得到98.786%的测试精度，优于传统残差网络。文中的W-ResNets预报模型可在小样本台风数据集推广使用。     

生成式知识迁移的SAR舰船检测

为解决基于深度卷积神经网络进行SAR舰船检测网络训练过程中数据获取、数据标注等问题,本文提出一种生成式知识迁移的SAR舰船检测框架,该框架由生成式知识迁移网络和舰船检测网络两部分组成。通过知识迁移网络生成与有标注的光学遥感图像空间分布一致且包含SAR图像特征的带标注模拟图像;使用所生成的带标注模拟图像,进一步优化舰船检测网络,以提高基于深度卷积神经网络的舰船检测的泛化性能。SARShip-Detection-Datasets (SSDD)和AIR-SARShip-1.0两个公开数据集上的实验结果表明,该框架有效提高了在仅包含少量标注SAR图像样本情况下的舰船目标检测效果,可显著降低舰船在复杂背景图像中漏检和误检的概率。     

复杂场景下对违规共享单车的细粒度检测方法

针对检测违规共享单车,受阴影遮挡、姿态差异和目标重叠因素影响,已有算法存在误提取、漏检和定位不准确问题,提出一种对违规共享单车细粒度检测的Bicycle-YOLO算法。针对目标受阴影遮挡的情形：(1)构建具有自适应感受野的C3＿DCN模块,增强模型对共享单车识别和描述能力,缓解模型对违规共享单车细粒度检测的误提取情况;(2)依据违规共享单车存在停放姿态差异,引入上下文聚合块,提升模型对多粒度目标检测精度,减少漏检;(3)根据违规共享单车出现重叠堆放现象,使用WIOUv3损失函数,解决重叠目标细粒度特征混杂问题,精准定位目标位置。在自制违规共享单车数据集上,选取其他方法进行对比实验,结果表明Bicycle-YOLO算法的精确率、召回率、map@0.5与F1分别达到了93.4%、87.3%、91.2%、90.25%,明显优于其他方法,验证了本文方法的可行性。     

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。     

结合E-YOLO和水体指数约束的大面幅影像水利设施检测

水利设施对水资源与水量调度、自然湿地生态保护与修复、资源和生态功能的利用及经济效益发展有重要作用。传统方法统计水利设施位置、数量等依赖于汇编资料,存在耗时长、资料更新不够及时以及具体地理位置不详等缺点,遥感为大规模监测水利设施提供了新的可能。本文以YOLO v3网络为基础,结合水利设施的特点,提出了一种基于大面幅影像快速检测水利设施的算法,主要分为两个方面：（1）改进的YOLO算法（E-YOLO）。E-YOLO提出PPA特征融合方法和等比预测框与四特征图交叉预测方法,对小样本等问题进行优化;改进损失函数,突出置信度损失;同时使用迁移学习的方法,读取特征提取部分的预训练模型参数。（2）基于E-YOLO算法和水体指数约束的大面幅水利设施检测算法。通过水体指数约束滑动步幅来解决影像面幅大、目标尺度小的问题,同时降低漏检率和误检率,再结合轮廓合并方法,优化检测结果。本研究中采用高分二号影像数据实现大面幅影像水利设施检测,实验结果表明：E-YOLO算法可以明显提高水利设施检测效果,相比平均F2精度相比YOLO v3提高了1.25%。且有更好的稳定性;水体指数约束的大面幅检测方法可以在保证效率的情况下提高检测精度,其F2精度相比大步幅和小步幅方法分别提高了3.72%和2.70%,为遥感水利设施检测提供了良好方案。     

高光谱影像分类的深度少样例学习方法

针对高光谱影像分类面临的小样本问题,提出了一种深度少样例学习算法,该算法在训练过程中通过模拟小样本分类的情况来训练深度三维卷积神经网络提取特征,其提取得到的特征具有较小类内间距和较大的类间间距,更适合小样本分类问题,且能用于不同的高光谱数据,具有更好的泛化能力。利用训练好的模型提取目标数据集的特征,然后结合最近邻分类器和支持向量机分类器进行监督分类。利用Pavia大学、Indian Pines和Salinas 3组高光谱影像数据进行分类试验,试验结果表明,该算法能够在训练样本较少的情况下（每类地物仅选取5个标记样本作为训练样本）取得优于传统半监督分类方法的分类精度。     

基于超像素分割与CRF的高分辨率遥感影像变化检测

针对目前高分辨率遥感影像变化检测算法对于光谱变化过敏感问题,本文提出了一种基于超像素分割与条件随机场（CRF）的遥感影像变化检测算法。首先采用空间约束的t混合模型驱动的分割模型,获得同质性超像素块,实现良好的边界附着性和亮度均匀性。然后计算分割得到的双时相影像块之间的特征差异性,获取变化幅度图像。最后利用模糊聚类算法（FCM）对变化幅度图像进行聚类,得到隶属度图像作为CRF一阶势,并利用光谱-空间相似度约束的函数构建CRF二阶势。试验结果表明,与现有方法相比,该方法检测精度可提高5%,错检率和漏检率可降低3%,能较好地应对输入图像的光谱变化,并保持变化检测结果的边缘细节。     

OSM辅助车载LiDAR点云三维道路边界精细提取

道路边界精确提取建模是城市道路管理、智能交通规划和高精度地图制作等领域的重要课题之一。本文提出了一种基于车载激光雷达点云数据和开源街道地图(OSM)的三维道路边界精确提取方法。首先,针对原始车载LiDAR点云数据应用布料模拟滤波分离地面点,再结合相对高程分析获取道路边界点候选数据集。然后,应用OSM矢量道路网数据的节点辅助道路边界点候选点集进行分段。最后,在各分段点云数据集中基于随机抽样一致性算法获得三维道路边界点集。通过直道、弯道及高密度复杂场景3种不同类型的城区道路边界路段分类提取试验。结果表明,利用该方法进行道路边界提取的准确率和召回率分别达96.12%和95.17%,F1值达92.11%,本文方法可用于高精度道路边界的三维精细提取与矢量化,进而为智能交通与无人驾驶导航提供支撑。     

直线特征辅助的靠岸舰船检测

针对靠岸舰船难以检测的问题,提出了一种直线特征辅助的靠岸舰船检测方法。首先利用高精度的卷积神经网络目标检测算法YOLOv3对影像进行粗检测,获取可能存在舰船目标的区域作为兴趣区域;然后提取影像的直线特征,将直线的方向作为确定舰船方向的辅助信息;最后利用具有一定角度的滑动窗口遍历兴趣区域获取候选目标,并对侯选目标进行二次分类和识别得到最终检测结果。利用不同港口的遥感影像进行实验的结果表明,提出方法能够有效检测港口内多种方向和并列停靠的舰船目标。     

一种结合语义分割模型和图割的街景影像变化检测方法

由于街景影像具有地物尺度多样化、地物界限不明确、地物光谱信息复杂等问题,造成应用统计方法、机器学习等方法对复杂度高的街景影像变化检测性能欠佳.因此提出一种结合语义分割模型和图割(GC)的街景影像变化检测方法.该方法首先采用Camvid数据集训练DeeplabV3+网络得到的迁移学习模型对两个时期的街景影像进行语义分割;...     

基于引力场增强的SAR图像舰船检测方法研究

船只检测是实现船只航行安全的重要措施之一,利用SAR图像可实现船只检测。然而,传统的一些方法一般容易受到SAR图像斑噪的影响,在检测结果中产生大量的虚警。为解决这一问题,本文提出了一种基于引力场增强的舰船检测方法。该方法利用像素与其邻域内像素的相互作用可对目标像素增强的效应,有效地抑制了斑噪像素和背景像素的强度,凸显了目标。由于增强后的像素已经不满足对海面区域的均质性假设,因此直接使用恒虚警检测算法对图像进行全局检测并不能够得到很好的效果,据此本文引入了一个基于均质区域自适应分割的改进的K-CFAR检测算法,将图像分割为不同大小的一系列均质区域,并分别对各个均质区域使用一个改进的K-CFAR检测器对船只目标进行检测。最后,使用Radarsat-1数据和Envisat ASAR数据对本文算法进行了验证。实验表明,本文提出的方法能够有效地凸显弱目标,增加检测准确性,降低检测的虚警概率。     

高分辨率遥感影像语义分割的半监督全卷积网络法

在遥感领域,利用大量的标签影像数据来监督训练全卷积网络,实现影像语义分割的方法会导致标签绘制成本昂贵,而少量标签数据的使用会导致网络性能下降。针对这一问题,本文提出了一种基于半监督全卷积网络的高分辨率遥感影像语义分割方法。通过采用一种集成预测技术,同时优化有标签样本上的标准监督分类损失及无标签数据上的非监督一致性损失,来训练端到端的语义分割网络。为验证方法的有效性,分别使用ISPRS提供的德国Vaihingen地区无人机影像数据集及国产高分一号卫星影像数据进行试验。试验结果表明,与传统方法相比,无标签数据的引入可有效提升语义分割网络的分类精度并可有效降低有标签数据过少对网络学习性能的影响。     

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...