傳統(tǒng)遙感圖像目標(biāo)檢測方法的時間復(fù)雜度高且精準(zhǔn)率低,如何快速準(zhǔn)確地檢測遙感圖像中的特定目標(biāo)成為當(dāng)前的研究熱點。為解決這一問題,文中在YOLO-V2目標(biāo)檢測算法的基礎(chǔ)上進(jìn)行改進(jìn),減少了卷積層數(shù)與維度,并結(jié)合特征金字塔思想,增加了檢測尺度,達(dá)到了提高檢測精度的目的。同時給出了一種基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測算法的通用處理框架,解決了無法直接處理大幅遙感圖像的問題。在DOTA數(shù)據(jù)集上進(jìn)行對比實驗,結(jié)果表明改進(jìn)YOLO-V2算法在15個類別上的精準(zhǔn)率和召回率均優(yōu)于YOLO-V2算法,mAP值提高了0.12。在時間復(fù)雜度方面,所提方法略低于YOLO-V2算法;在大小為416×416的圖像小塊上,改進(jìn)YOLO-V2算法相比YOLO-V2檢測時間縮短了0.1 ms。 

【文章來源】：計算機(jī)科學(xué). 2020,47(S1)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

YOLO-V2網(wǎng)絡(luò)結(jié)構(gòu)

基于深度學(xué)習(xí)的目標(biāo)檢測算法無法直接處理大幅遙感圖像,需要將圖像裁剪后進(jìn)行檢測。圖2給出了本文算法的處理框架。在訓(xùn)練階段,首先將遙感圖像裁剪為一定大小的圖像小塊,大幅遙感圖像標(biāo)簽也隨之變化;然后將裁剪后的圖像小塊與標(biāo)簽送入設(shè)計好的深度學(xué)習(xí)網(wǎng)絡(luò)中進(jìn)行訓(xùn)練;在訓(xùn)練時,將正確標(biāo)簽信息與預(yù)測標(biāo)簽信息的差值作為誤差,迭代優(yōu)化網(wǎng)絡(luò)參數(shù),最后保存訓(xùn)練好的網(wǎng)絡(luò)模型。在檢測階段,同樣先將測試遙感圖像裁剪為小塊圖像;之后送入在訓(xùn)練階段訓(xùn)練好的網(wǎng)絡(luò)模型中,經(jīng)過NMS[14]后處理算法消除重復(fù)定位窗口,得到小塊圖像的檢測結(jié)果;最后將結(jié)果整合,得到原始大幅遙感圖像的檢測結(jié)果。本文算法處理框架的重點在于遙感圖像和標(biāo)簽的裁剪與整合。遙感圖像裁剪通過滑動窗口裁剪制定大小的圖像小塊,本文裁剪為416×416大小。圖3為遙感圖像裁剪示意圖。上面的圖為原始遙感圖像,下面兩張圖為裁剪后的圖像小塊。一般相鄰圖像小塊保持15%的重疊[15],其目的是保證原圖每個區(qū)域都能被完整檢測到。重疊區(qū)域的重復(fù)檢測可以通過NMS算法消除。這種有重合區(qū)域的裁剪方式可有效避免直接裁剪時邊緣截斷導(dǎo)致檢測不出目標(biāo)的情況。

本文算法處理框架的重點在于遙感圖像和標(biāo)簽的裁剪與整合。遙感圖像裁剪通過滑動窗口裁剪制定大小的圖像小塊,本文裁剪為416×416大小。圖3為遙感圖像裁剪示意圖。上面的圖為原始遙感圖像,下面兩張圖為裁剪后的圖像小塊。一般相鄰圖像小塊保持15%的重疊[15],其目的是保證原圖每個區(qū)域都能被完整檢測到。重疊區(qū)域的重復(fù)檢測可以通過NMS算法消除。這種有重合區(qū)域的裁剪方式可有效避免直接裁剪時邊緣截斷導(dǎo)致檢測不出目標(biāo)的情況。在訓(xùn)練階段,遙感圖像的標(biāo)簽在裁剪過程中也會隨之改變。原始遙感圖像的標(biāo)簽在裁剪結(jié)束后,生成了對應(yīng)圖像小塊數(shù)量的新標(biāo)簽。假設(shè)原始遙感圖像的標(biāo)簽為ImageName.txt,裁剪后小塊遙感圖像的標(biāo)簽名為:

【參考文獻(xiàn)】：
期刊論文
[1]最優(yōu)聚類個數(shù)和初始聚類中心點選取算法研究[J]. 張素潔,趙懷慈.  計算機(jī)應(yīng)用研究. 2017(06)



本文編號：3137798