針對在復(fù)雜海況下,遙感圖像艦船檢測容易受到海雜波、薄云、海島等影響,導(dǎo)致檢測結(jié)果可靠性低的問題,引入了端對端的深度語義分割方法,將深度卷積神經(jīng)網(wǎng)絡(luò)與全連接條件隨機(jī)場結(jié)合。以ResNet架構(gòu)為基礎(chǔ),首先將遙感圖像經(jīng)過深度卷積神經(jīng)網(wǎng)絡(luò)作為輸入,對圖像進(jìn)行粗分割,然后經(jīng)過改進(jìn)的全連接條件隨機(jī)場,利用高斯成對勢和平均場近似定理建立條件隨機(jī)場為遞歸神經(jīng)網(wǎng)絡(luò)作為輸出,從而實(shí)現(xiàn)了端對端的連接。所提方法在Google Earth和NWPU-RESISC45建立的數(shù)據(jù)集上與其他模型進(jìn)行對比,實(shí)驗(yàn)表明,所提方法提高了目標(biāo)檢測精度以及捕獲圖片精細(xì)細(xì)節(jié)的能力,平均交并比為83.2%,相對于其他模型具有明顯優(yōu)勢,且運(yùn)行速度快,滿足遙感圖像海面艦船檢測的需求。 

【文章來源】：儀器儀表學(xué)報(bào). 2020,41(01)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

空洞卷積原理

Deeplab模型以ResNet架構(gòu)為基礎(chǔ),將ResNet的全連接層轉(zhuǎn)化為卷積層,最后兩個(gè)池化層去掉下采樣,后續(xù)卷積層的卷積核改為了空洞卷積,并對ResNet的權(quán)重進(jìn)行微調(diào),這樣網(wǎng)絡(luò)最后輸出的特征圖分辨率提高,感受野變大。然后進(jìn)行多尺度提取,ASPP模塊如圖2所示,在給定的輸入特征圖上以r=(6,12,18,24)的3×3空洞卷積并行采樣,并使用批量歸一化(batch normalization,BN)方法加快網(wǎng)絡(luò)訓(xùn)練速度。ASPP各個(gè)空洞卷積分支采樣后結(jié)果最后融合到一起,得到最終預(yù)測結(jié)果,實(shí)際上就是通過不同的空洞卷積來對圖像進(jìn)行不同程度的縮放,獲得了更好的分割效果。最后使用全連接條件隨機(jī)場細(xì)化圖片。2 復(fù)雜海況下遙感圖像艦船檢測

Η 1 (t)={ softmax(U),?t=0 Η 2 (t-1),?0<t≤Τ ?????? ??? (6) Η 2 (t){f 0 (U,Η 1 ,Ι),0≤t≤Τ?????? ??? (7) Y(t)={ 0,?0≤t≤Τ Η 2 (t),?t=Τ ?????? ??? (8)通過上述改進(jìn),模型整體流程如圖4所示,深層卷積神經(jīng)網(wǎng)絡(luò)作為網(wǎng)絡(luò)的第一部分,提供了CRF一元電位,進(jìn)入循環(huán)卷積神經(jīng)網(wǎng)絡(luò)后,需要迭代t次才能離開循環(huán),使用反向傳播算法和隨機(jī)梯度下降方法進(jìn)行端到端的培訓(xùn),一旦離開循環(huán),softmax層進(jìn)行網(wǎng)絡(luò)的終止。該算法統(tǒng)一了卷積神經(jīng)網(wǎng)絡(luò)與CRF的優(yōu)勢,形成了端對端的連接。

【參考文獻(xiàn)】：
期刊論文
[1]遙感圖像處理技術(shù)在測繪領(lǐng)域中的應(yīng)用分析[J]. 李莎.  世界有色金屬. 2019(14)
[2]基于多尺度條件隨機(jī)場的語義圖像分割深度卷積網(wǎng)絡(luò)[J]. 汪萍.  宿州學(xué)院學(xué)報(bào). 2019(07)
[3]遙感圖像云檢測的多尺度融合分割網(wǎng)絡(luò)方法[J]. 郭玥,于希明,王少軍,彭宇.  儀器儀表學(xué)報(bào). 2019(06)
[4]復(fù)雜海況下遙感圖像艦船目標(biāo)檢測方法研究[J]. 陳彥彤,李雨陽,姚婷婷.  激光與光電子學(xué)進(jìn)展. 2019(18)
[5]基于SSDAE深度神經(jīng)網(wǎng)絡(luò)的鈦板電渦流檢測圖像分類研究[J]. 包俊,葉波,王曉東,尹武良,徐寒揚(yáng).  儀器儀表學(xué)報(bào). 2019(04)
[6]基于改進(jìn)深度卷積神經(jīng)網(wǎng)絡(luò)的步態(tài)識(shí)別算法[J]. 盧來,鄧文,吳衛(wèi)祖.  電子測量與儀器學(xué)報(bào). 2019(02)
[7]采用機(jī)器視覺的金屬表面橫向裂紋檢測[J]. 王清晨,景軍鋒.  電子測量與儀器學(xué)報(bào). 2018(11)
[8]基于DPMM和MRF的高分辨率遙感圖像無監(jiān)督對象分割[J]. 劉尚旺,侯旺旺,趙欣瑩.  儀器儀表學(xué)報(bào). 2018(11)
[9]基于組合分形特征的海雜波中目標(biāo)檢測方法[J]. 劉寧波,丁昊,田永華,文樹梁,關(guān)鍵.  航空兵器. 2018(02)
[10]基于深度學(xué)習(xí)的運(yùn)動(dòng)心率測量系統(tǒng)[J]. 榮凡穩(wěn),鄭偉,陳冉,高軍峰.  電子測量與儀器學(xué)報(bào). 2017(12)



本文編號(hào)：3089739