有人機和無人機等各種新型航空飛行器的發(fā)展,給航空飛行安全帶來了極大挑戰(zhàn),對影響飛行安全的小型目標進行檢測是保障安全飛行的首要條件。本文針對現有基于深度學習的目標檢測方法在遙感圖像小目標檢測時存在的不足,以及檢測目標尺度過小、圖像背景復雜、噪聲干擾等問題,探討了深度學習技術在遙感圖像小目標檢測方面的研究進展,重點分析了特征金字塔網絡、注意力機制、傾斜框檢測等相關技術在遙感圖像小目標檢測上的可行性,提出了一種具有較強泛化能力的目標檢測模型。本文以高分二號遙感圖像的高壓電塔檢測為例進行試驗,結果表明,本文提出的模型在檢測精度和計算開銷上可達到更好的效果。

【文章頁數】：8 頁

【部分圖文】：

圖5高壓電塔檢測結果示例

圖4mask層結果示例最后,對高壓電塔數據集進行實驗,計算檢測結果的精確率(precision)、召回率(recall)、平均精度(AP),結果如表1所示。

圖1小目標檢測網絡

本文在Fast-RCNN算法的基礎上對特征提取部分以及網絡檢測部分進行了改進,以ResNet-101網絡為基礎結構,構造了一種新的特征金字塔網絡,以提升網絡對多尺度特征的表達能力。具體的網絡結構如圖1所示。首先輸入整張圖片進入特征金字塔進行特征提取,再利用RPN模塊提....

圖2特征提取網絡

具體實驗中將高分二號遙感圖像進行裁剪,輸入圖像為800×800×3的RGB圖像,利用ResNet-101網絡提取出C2、C3、C4不同尺寸的特征圖像,然后將C3與C4的上采樣圖像進行特征融合,得到最終特征圖像F1。特征提取網絡中C2,C3,C4層具體結構如圖2所....

圖3特征提取結果

在高壓電塔數據集實驗過程中,以ResNet-101網絡為基礎進行圖像特征提取,通過網絡的多層卷積運算,獲取原始遙感影像中亮度、邊緣的輪廓、紋理和色彩等特征。從圖3可以看出,獲取的特征圖像具有明顯的可視化特性,能夠清晰顯現出遙感圖像中的建筑物輪廓。其中低層特征圖像....

本文編號：3944917