發(fā)布時間：2021-10-09 01:31

　　針對通常的神經(jīng)網(wǎng)絡(luò)算法在檢測遙感圖像海面目標時存在精確率低、漏檢概率高的問題,改進了一種基于YOLOv3全卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像海面目標檢測方法。首先根據(jù)海面目標的寬高比例,利用Kmeans++聚類算法,確定出適合于數(shù)據(jù)集的anchor box值;接著采用FPN思想進行特征融合;最后,選用GIOU作為坐標預(yù)測的損失函數(shù),進一步優(yōu)化檢測結(jié)果。實驗表明:文中方法在遙感圖像海面目標檢測中的平均精確率為90.82%,相比于其他算法平均提高了5.34%。 

【文章來源】：彈箭與制導學報. 2020,40(05)北大核心

【文章頁數(shù)】：6 頁

【部分圖文】：

YOLOv3的網(wǎng)絡(luò)結(jié)構(gòu)

殘差塊的結(jié)構(gòu)

改進后的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。它采用了feature pyramid networks(FPN)架構(gòu)思想,在殘差網(wǎng)絡(luò)提取特征的最后階段加入了一個殘差塊,輸出特征分別與其他3個尺度的特征進行融合[10]。從圖3可知:尺度4的特征圖經(jīng)過3次上采樣分別與尺度3、尺度2、尺度1的特征圖進行拼接;尺度3的特征圖經(jīng)過1次上采樣與尺度2 進行拼接,依此類推。多個尺度的特征圖進行了拼接操作,充分利用了低層特征的細節(jié)信息與高層特征的語義信息,提高了網(wǎng)絡(luò)的檢測性能。不同尺度的特征圖拼接完成之后,網(wǎng)絡(luò)會輸出3種不同的尺度框,即:當輸入的圖像尺寸為786×768時,輸出的3個尺度框為:(24×24)、(48×48)、(96×96)。最后,利用非極大值抑制(non-maximum suppression,NMS)的方法刪除重復的預(yù)測框(預(yù)測框是指待檢測目標的邊界框),得到最終的檢測結(jié)果。圖4 各損失函數(shù)的對比示意圖


本文編號：3425366