為了提高對復(fù)雜場景下多尺度遙感目標(biāo)的檢測精度,提出了基于多尺度單發(fā)射擊檢測（SSD）的特征增強(qiáng)目標(biāo)檢測算法.首先對SSD的金字塔特征層中的淺層網(wǎng)絡(luò)設(shè)計(jì)淺層特征增強(qiáng)模塊,以提高淺層網(wǎng)絡(luò)對小目標(biāo)物體的特征提取能力;然后設(shè)計(jì)深層特征融合模塊,替換SSD金字塔特征層中的深層網(wǎng)絡(luò),提高深層網(wǎng)絡(luò)的特征提取能力;最后將提取的圖像特征與不同縱橫比的候選框進(jìn)行匹配以執(zhí)行不同尺度遙感圖像目標(biāo)檢測與定位.在光學(xué)遙感圖像數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,該算法能夠適應(yīng)不同背景下的遙感目標(biāo)檢測,有效地提高了復(fù)雜場景下的遙感目標(biāo)的檢測精度.此外,在拓展實(shí)驗(yàn)中,文中算法對圖像中的模糊目標(biāo)的檢測效果也優(yōu)于SSD. 

【文章來源】：光子學(xué)報(bào). 2020,49(01)北大核心EICSCD

【文章頁數(shù)】：10 頁

【部分圖文】：

FESSD算法框架圖、淺層特征增強(qiáng)模塊和深層特征增強(qiáng)模塊圖

圖3為本文所提FESSD算法與SSD算法在Conv4＿3層、Conv8＿2(DFE8）層輸出的特征對比圖，圖3(b）和圖3(c）為FESSD算法輸出的特征圖，圖3(d）、圖3(e）為SSD算法輸出的特征圖．顯然圖3(b）相比于圖3(d）艦船信息更加清晰，尤其是小目標(biāo)艦船，圖3(b）仍高亮顯示，具有更強(qiáng)的語義信息，圖3(c）相比于圖3(e）大目標(biāo)艦船特征信息更為豐富，理論上在圖3(b）和圖3(c）的檢測效果會明顯優(yōu)于圖3(d）、圖3(e).相比于SSD算法，本文所提的FESSD算法針對原始Conv4＿3、FC7層引入淺層特征增強(qiáng)模塊（CFE），可以彌補(bǔ)SSD算法淺層特征語義信息表達(dá)能力較差問題，另一方面用深層特征增強(qiáng)模塊（DFE）代替原始網(wǎng)絡(luò)中的Conv8＿2、Conv9＿2、Conv10＿2層，在提高深層網(wǎng)絡(luò)特征提取能力的同時大幅度提高目標(biāo)檢測的效率．3.4節(jié)的消融實(shí)驗(yàn)將詳細(xì)分析上述兩個模塊的有效性．

圖4為本文數(shù)據(jù)集的樣本示例，從左到右分別為分辨率約1m的靠近停機(jī)位的20架民用客機(jī)，23個油罐，開闊海域的16艘船，分別率約5m的立交橋1座立交橋和操場．由于一些飛機(jī)和艦船目標(biāo)在小分辨率的情況下只有極少的像素個數(shù)，已很難通過人眼確定是否為飛機(jī)和艦船，因此，僅對像素個數(shù)超過5個的目標(biāo)進(jìn)行標(biāo)注．標(biāo)注的軟件為開源軟件LabelImg（版本：windows＿v1.8.0），該軟件很容易就能對遙感圖像目標(biāo)進(jìn)行標(biāo)記（x,y,w,h），其中（x,y）為目標(biāo)所在矩形框的左上角坐標(biāo)，w是矩形框的寬度，h為矩形框的高度．2.2 評估標(biāo)準(zhǔn)及訓(xùn)練方法

【參考文獻(xiàn)】：
期刊論文
[1]改進(jìn)的SSD算法及其對遙感影像小目標(biāo)檢測性能的分析[J]. 王俊強(qiáng),李建勝,周學(xué)文,張旭.  光學(xué)學(xué)報(bào). 2019(06)
[2]基于Faster R-CNN深度網(wǎng)絡(luò)的遙感影像目標(biāo)識別方法研究[J]. 王金傳,譚喜成,王召海,鐘燕飛,董華萍,周松濤,成布怡.  地球信息科學(xué)學(xué)報(bào). 2018(10)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)檢測[J]. 李健偉,曲長文,彭書娟,鄧兵.  系統(tǒng)工程與電子技術(shù). 2018(09)
[4]全卷積網(wǎng)絡(luò)多層特征融合的飛機(jī)快速檢測[J]. 辛鵬,許悅雷,唐紅,馬時平,李帥,呂超.  光學(xué)學(xué)報(bào). 2018(03)



本文編號：3105403