電力塔是電力基礎(chǔ)設(shè)施的重要組成部分,對(duì)其進(jìn)行檢測(cè)是必不可少的工作。針對(duì)當(dāng)前遙感影像電力塔檢測(cè)算法精度低,效果差的問(wèn)題,本文基于可變形網(wǎng)絡(luò)和遷移學(xué)習(xí)對(duì)Faster R-CNN進(jìn)行改進(jìn),提出一種基于遙感影像的電力塔檢測(cè)框架。該框架主要分為兩個(gè)部分:①特征提取子網(wǎng)絡(luò),即利用可變形網(wǎng)絡(luò)模型改進(jìn)卷積層,來(lái)提高模型對(duì)于電力塔幾何形變的特征提取能力;②目標(biāo)檢測(cè)子網(wǎng)絡(luò),即通過(guò)模型遷移,將由特征提取子網(wǎng)絡(luò)訓(xùn)練獲得的模型參數(shù)遷移至此子網(wǎng)絡(luò),由RPN網(wǎng)絡(luò)和可變形區(qū)域池化結(jié)合非極大值抑制（NMS）精確獲取電力塔位置,利用Fine-tuning技術(shù)快速訓(xùn)練此子網(wǎng)絡(luò),最終實(shí)現(xiàn)高精度的遙感影像電力塔檢測(cè)。本文算法在測(cè)試集中對(duì)電力塔檢測(cè)結(jié)果為AP_0.5 0.886 1,AP_0.6 0.839 6,ACC 0.894 8,與SSD、YOLOv3、Faster R-CNN等相比,各檢測(cè)指標(biāo)至少高0.2。由對(duì)比試驗(yàn)可以看出,該框架對(duì)電力塔遙感影像可以實(shí)現(xiàn)較高精度檢測(cè),表明該方法在電力塔檢測(cè)上擁有較大應(yīng)用潛力。 

【文章來(lái)源】：測(cè)繪學(xué)報(bào). 2020,49(08)北大核心EICSCD

【文章頁(yè)數(shù)】：9 頁(yè)

【部分圖文】：

算法框架

傳統(tǒng)卷積網(wǎng)絡(luò)中的幾何結(jié)構(gòu)是固定的,這種固定的幾何結(jié)構(gòu)使得卷積核只能在圖像特定的位置進(jìn)行采樣,卷積核提取的特征表征能力較弱。為保證電力塔的檢測(cè)精度,本文算法引入文獻(xiàn)[20]提出的可變形卷積網(wǎng)絡(luò)模型,利用該模型重構(gòu)了ResNet101[21]的網(wǎng)絡(luò)結(jié)構(gòu)來(lái)提升對(duì)電力塔特征的提取能力。圖2為可變形卷積和常規(guī)卷積采樣方式的對(duì)比�？勺冃蔚木矸e模型在常規(guī)卷積模型的基礎(chǔ)上引入了空間幾何形變的學(xué)習(xí)能力,這使得其能夠更加準(zhǔn)確地完成空間形變目標(biāo)的特征提取與目標(biāo)檢測(cè)的任務(wù)。如圖2所示,圖(b)、(c)、(d)為可變形卷積的采樣方式,相對(duì)于圖(a)來(lái)說(shuō),將常規(guī)卷積的固定位置采樣拓展為帶有偏置量{Δpn|n=1,2,…,N}的偏置Offset采樣,該偏置可以通過(guò)一個(gè)平行的標(biāo)準(zhǔn)卷積得到。其中N=|R|,對(duì)于3×3,且膨脹系數(shù)為1的卷積核來(lái)說(shuō),R[22]可以表示為

式中,ΔPn是一個(gè)值為分?jǐn)?shù)的偏置量;W是采樣點(diǎn)的權(quán)重。由于距離、光照和角度等原因,遙感影像上的電力塔是多方向分布的,其形狀和尺度存在不確定性,傳統(tǒng)的卷積網(wǎng)絡(luò)(如圖3(a)所示)基于其固定的采樣方式使得其對(duì)方向、尺度和形變目標(biāo)的特征提取能力受限,提取的特征不夠準(zhǔn)確。本文通過(guò)可變形卷積網(wǎng)絡(luò)模型改變傳統(tǒng)卷積網(wǎng)絡(luò)的結(jié)構(gòu)來(lái)提取遙感影像上電力塔的特征,由于引入了可變形卷積,卷積時(shí)的采樣位置可以自由變換,偏置矩陣定義的R接收域指向的采樣點(diǎn)對(duì)目標(biāo)趨向性更強(qiáng),使得輸出的特征信息更多,提取的特征更加穩(wěn)定,能夠自適應(yīng)不同電力塔的方向和尺度變化以及形狀差異。根據(jù)電力塔的方向、形狀和尺度來(lái)動(dòng)態(tài)調(diào)整卷積核感受野的分布(如圖3(b)所示),使得模型對(duì)幾何形變特征的提取能力有較大提高。1.2 可變形區(qū)域池化

【參考文獻(xiàn)】：
期刊論文
[1]一種遷移學(xué)習(xí)和可變形卷積深度學(xué)習(xí)的蝴蝶檢測(cè)算法[J]. 李策,張棟,杜少毅,朱子重,賈盛澤,曲延云.  自動(dòng)化學(xué)報(bào). 2019(09)
[2]融合可變形卷積與條件隨機(jī)場(chǎng)的遙感影像語(yǔ)義分割方法[J]. 左宗成,張文,張東映.  測(cè)繪學(xué)報(bào). 2019(06)
[3]高分辨率光學(xué)遙感場(chǎng)景分類的深度度量學(xué)習(xí)方法[J]. 葉利華,王磊,張文文,李永剛,王贈(zèng)凱.  測(cè)繪學(xué)報(bào). 2019(06)
[4]基于樣本擴(kuò)充的Faster R-CNN電網(wǎng)異物監(jiān)測(cè)技術(shù)[J]. 史晉濤,李喆,顧超越,盛戈皞,江秀臣.  電網(wǎng)技術(shù). 2020(01)
[5]基于多尺度形變特征卷積網(wǎng)絡(luò)的高分辨率遙感影像目標(biāo)檢測(cè)[J]. 鄧志鵬,孫浩,雷琳,周石琳,鄒煥新.  測(cè)繪學(xué)報(bào). 2018(09)
[6]目標(biāo)檢測(cè)算法研究綜述[J]. 方路平,何杭江,周國(guó)民.  計(jì)算機(jī)工程與應(yīng)用. 2018(13)
[7]一種飛機(jī)目標(biāo)的遙感識(shí)別方法[J]. 殷文斌,王成波,袁翠,喬彥友.  測(cè)繪通報(bào). 2017(03)
[8]空-譜信息與稀疏表示相結(jié)合的高光譜遙感影像分類[J]. 楊釗霞,鄒崢嶸,陶超,田彥平,何小飛.  測(cè)繪學(xué)報(bào). 2015(07)
[9]結(jié)合空間像素模板和Adaboost算法的高分辨率遙感影像河流提取[J]. 慎利,唐宏,王世東,張露.  測(cè)繪學(xué)報(bào). 2013(03)
[10]一種擴(kuò)展SURF描述符及其在遙感圖像配準(zhǔn)中的應(yīng)用[J]. 羅楠,孫權(quán)森,耿蕾蕾,李輝,夏德深.  測(cè)繪學(xué)報(bào). 2013(03)

碩士論文
[1]基于非下采樣輪廓波SPP Net的高分辨SAR圖像變化檢測(cè)[D]. 楊爭(zhēng)艷.西安電子科技大學(xué) 2018



本文編號(hào)：3473790