發(fā)布時間：2021-11-15 11:45

　　傳統(tǒng)合成孔徑雷達（SAR）圖像中建筑物檢測算法主要是在特定場景下通過人工提取特征進行特定類別的建筑物檢測,存在平均檢測精度不高、檢測效率低的問題,為此提出一種基于改進YOLOv3的SAR圖像中建筑物檢測算法,通過深度學(xué)習(xí)實現(xiàn)建筑物的自動檢測。制作SAR圖像中建筑物數(shù)據(jù)集,針對建筑物的尺寸特點,通過改進的K均值聚類算法重新設(shè)置先驗框大小;在結(jié)構(gòu)上借鑒深度神經(jīng)網(wǎng)絡(luò)的聚合殘差轉(zhuǎn)換思想,將YOLOv3骨架網(wǎng)絡(luò)中用于構(gòu)建特征層的單路卷積殘差模塊改進為多路卷積殘差模塊,提高通道信息利用率的同時降低計算量;加入淺層特征融合模塊,增加特征圖中建筑物的形狀特征所占比重,在特征融合層之前,使用轉(zhuǎn)置卷積進行上采樣,增加細節(jié)特征;使用改進YOLOv3算法進行建筑物檢測模型的訓(xùn)練,并在測試集上進行測試。實驗結(jié)果表明,相比原始YOLOv3算法,改進YOLOv3算法在SAR圖像中建筑物數(shù)據(jù)集上平均檢測精度提高了9.2%,召回率提高了6.3%,同時保持了較快的檢測速度。 

【文章來源】：兵工學(xué)報. 2020,41(07)北大核心EICSCD

【文章頁數(shù)】：13 頁

【部分圖文】：

數(shù)據(jù)標注示意圖

在數(shù)據(jù)集制作過程中，由于SAR圖像數(shù)據(jù)有限，本文盡可能加入不同尺度、不同形狀和表現(xiàn)形式的建筑物，改變同一圖像的分辨率大小，并在訓(xùn)練預(yù)處理中對數(shù)據(jù)進行增廣處理，即進行旋轉(zhuǎn)、獨立目標裁剪、顏色抖動、隨機平移等操作，并修改相應(yīng)的標簽數(shù)據(jù)，最終數(shù)據(jù)集大小為1 438張圖像。數(shù)據(jù)增強效果示意圖如圖3所示。數(shù)據(jù)增強的目的是增加訓(xùn)練樣本的多樣性，避免訓(xùn)練過程出現(xiàn)過擬合，提高網(wǎng)絡(luò)泛化能力。1.3 數(shù)據(jù)集分析

搜集各類SAR圖像，通過人工查找、裁剪等方法，從大場景SAR圖像中獲取不同背景下、不同表現(xiàn)形式的建筑物數(shù)據(jù)，制作SBD．數(shù)據(jù)集共包含1 000張圖片，數(shù)據(jù)集圖片像素大小為416×416、512×512;數(shù)據(jù)來源包含X波段，C波段等Terra SAR、高分3號衛(wèi)星、美國桑迪亞國家實驗室等機載、星載平臺拍攝的經(jīng)過幾何校正的SAR圖像;圖像分辨率分別為0.5 m、1 m、1.25 m、5 m等;極化方式包括交叉極化(VH、HV)、同極化(HH、VV)。數(shù)據(jù)集中建筑物類型包括一般獨立建筑、外形不規(guī)則特殊建筑、規(guī)則建筑群，圖1所示為3種典型建筑物示例圖。1.2 數(shù)據(jù)集標注

【參考文獻】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機目標檢測方法[J]. 郭智,宋萍,張義,閆夢龍,孫顯,孫皓.  電子與信息學(xué)報. 2018(11)
[2]基于生成對抗網(wǎng)絡(luò)和線上難例挖掘的SAR圖像艦船目標檢測[J]. 李健偉,曲長文,彭書娟,江源.  電子與信息學(xué)報. 2019(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標檢測[J]. 李健偉,曲長文,彭書娟,鄧兵.  系統(tǒng)工程與電子技術(shù). 2018(09)
[4]利用多尺度SVM-CRF模型的極化SAR圖像建筑物提取[J]. 姜萍,劉修國,陳啟浩,邵芳芳.  遙感技術(shù)與應(yīng)用. 2017(03)
[5]基于改進MRF的高分辨率SAR圖像中建筑物輪廓提取算法[J]. 劉靜,溫顯斌.  天津理工大學(xué)學(xué)報. 2014(06)



本文編號：3496711