針對(duì)傳統(tǒng)艦船檢測(cè)方法中流程繁瑣,速度較慢且對(duì)于復(fù)雜背景區(qū)域的檢測(cè)精度較低等問題,該文提出了一種改進(jìn)的Faster R-CNN深度神經(jīng)網(wǎng)絡(luò)端到端自動(dòng)檢測(cè)方法。該方法通過數(shù)據(jù)增強(qiáng)技術(shù)對(duì)數(shù)據(jù)集進(jìn)行擴(kuò)充,使用深度殘差網(wǎng)絡(luò)ResNet替代傳統(tǒng)平網(wǎng)絡(luò)VGG-16對(duì)數(shù)據(jù)集進(jìn)行特征提取,在區(qū)域生成網(wǎng)絡(luò)中針對(duì)艦船目標(biāo)長(zhǎng)寬比較高的特點(diǎn)修改了標(biāo)定框的長(zhǎng)寬比,較好地解決了傳統(tǒng)檢測(cè)方法步驟繁瑣,速度較慢等缺點(diǎn),實(shí)現(xiàn)了對(duì)遙感影像艦船目標(biāo)的自動(dòng)檢測(cè)。實(shí)驗(yàn)結(jié)果表明,改進(jìn)后的Faster R-CNN檢測(cè)算法能夠?qū)b感影像中的艦船目標(biāo)進(jìn)行快速的精確檢測(cè),準(zhǔn)確率可達(dá)92.3%,檢測(cè)速度達(dá)到每秒5幀。即使在面對(duì)遙感影像背景復(fù)雜、目標(biāo)局部遮擋問題時(shí)也能準(zhǔn)確識(shí)別。和傳統(tǒng)的ENVI與eCognition分類手段相比,該方法提升了目標(biāo)檢測(cè)效果和識(shí)別效率,Faster R-CNN檢測(cè)算法相比該方法提升了檢測(cè)精度。 

【文章來源】：測(cè)繪科學(xué). 2020,45(03)北大核心CSCD

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

目標(biāo)檢測(cè)算法流程

式中:xl和xl+1分別表示的是第l個(gè)殘差單元的輸入與輸出;F是殘差函數(shù),表示學(xué)習(xí)到的殘差,而 h( x l ) 表示恒等映射;f表示relu激活函數(shù);xL表示從淺層l到深層L學(xué)習(xí)到的特征。由于ResNet網(wǎng)絡(luò)結(jié)構(gòu)引入類似于“短接”式的設(shè)計(jì)將前面幾層的數(shù)據(jù)輸出直接跳過多層網(wǎng)絡(luò)而引入后面數(shù)據(jù)層的輸入部分,可以使網(wǎng)絡(luò)在學(xué)習(xí)過程盡量避免數(shù)據(jù)的損失與壓縮,使網(wǎng)絡(luò)可以學(xué)到更為豐富的內(nèi)容,也因此避免了在網(wǎng)絡(luò)訓(xùn)練中的過擬合與梯度消失等問題。

2) 優(yōu)化區(qū)域預(yù)測(cè)標(biāo)定框。目標(biāo)檢測(cè)主要可分兩步:定位與檢測(cè),RPN就是單獨(dú)用來定位(location)的網(wǎng)絡(luò),RPN生成的預(yù)測(cè)候選區(qū)域的質(zhì)量直接影響到目標(biāo)檢測(cè)任務(wù)的準(zhǔn)確度。RPN的工作原理如圖3所示,RPN是一個(gè)淺層的全卷積神經(jīng)網(wǎng)絡(luò),由1個(gè)卷積核大小為1×1的卷積層與2個(gè)全連接層組成。先通過生成一個(gè)特定大小的滑動(dòng)窗口,在本文中滑動(dòng)窗口的大小為3×3,然后將滑窗在輸入的特征映射圖F上的每一個(gè)中心點(diǎn)上滑動(dòng),在每個(gè)中心點(diǎn)位置生成9個(gè)標(biāo)定框(anchor),為了解決待檢測(cè)目標(biāo)大小比例不一樣問題,將anchor賦予不同的面積和不同長(zhǎng)寬比,在原Faster R-CNN中長(zhǎng)寬比為(1∶1,1∶2,2∶1),可以很好地預(yù)測(cè)標(biāo)定目標(biāo)。然而通過對(duì)艦船遙感目標(biāo)真實(shí)標(biāo)定框的長(zhǎng)寬比統(tǒng)計(jì),具體的統(tǒng)計(jì)圖如圖4所示。發(fā)現(xiàn)艦船目標(biāo)的長(zhǎng)寬比較大,因此使用原RPN中的長(zhǎng)寬比并不合適,故而將標(biāo)定框的長(zhǎng)寬比優(yōu)化為(1∶1,1∶2,3∶1),這樣更適合對(duì)艦船目標(biāo)的檢測(cè)。然后將這些標(biāo)定框經(jīng)過全卷積層進(jìn)行運(yùn)算,每一個(gè)標(biāo)定框得到一個(gè)256維的向量,經(jīng)過全連接層判斷標(biāo)定框中是否含有目標(biāo),判定標(biāo)定框中是否存在的依據(jù)為候選標(biāo)注框與人手工標(biāo)注框(Ground Truth)的交并比(IOU),如果候選標(biāo)定框與真實(shí)框的IOU大于0.7則認(rèn)為其包含目標(biāo),為正樣本。如果IOU小于0.3則認(rèn)為其不包含目標(biāo),為負(fù)樣本。最后從含有目標(biāo)的標(biāo)定框中得到候選標(biāo)注框,并根據(jù)回歸函數(shù)對(duì)候選標(biāo)注框進(jìn)行回歸計(jì)算。圖4 真實(shí)標(biāo)定框長(zhǎng)寬比統(tǒng)計(jì)

【參考文獻(xiàn)】：
期刊論文
[1]光學(xué)遙感圖像中復(fù)雜海背景下的艦船檢測(cè)[J]. 王慧利,朱明,藺春波,陳典兵,楊航.  光學(xué)精密工程. 2018(03)

碩士論文
[1]基于Faster R-CNN的人臉檢測(cè)與識(shí)別算法研究與實(shí)現(xiàn)[D]. 尉冰.西安電子科技大學(xué) 2017



本文編號(hào)：3400116