傳統(tǒng)合成孔徑雷達(dá)（SAR）圖像中建筑物檢測(cè)算法主要是在特定場(chǎng)景下通過(guò)人工提取特征進(jìn)行特定類(lèi)別的建筑物檢測(cè),存在平均檢測(cè)精度不高、檢測(cè)效率低的問(wèn)題,為此提出一種基于改進(jìn)YOLOv3的SAR圖像中建筑物檢測(cè)算法,通過(guò)深度學(xué)習(xí)實(shí)現(xiàn)建筑物的自動(dòng)檢測(cè)。制作SAR圖像中建筑物數(shù)據(jù)集,針對(duì)建筑物的尺寸特點(diǎn),通過(guò)改進(jìn)的K均值聚類(lèi)算法重新設(shè)置先驗(yàn)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(jìn)為多路卷積殘差模塊,提高通道信息利用率的同時(shí)降低計(jì)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(jìn)行上采樣,增加細(xì)節(jié)特征;使用改進(jìn)YOLOv3算法進(jìn)行建筑物檢測(cè)模型的訓(xùn)練,并在測(cè)試集上進(jìn)行測(cè)試。實(shí)驗(yàn)結(jié)果表明,相比原始YOLOv3算法,改進(jìn)YOLOv3算法在SAR圖像中建筑物數(shù)據(jù)集上平均檢測(cè)精度提高了9.2%,召回率提高了6.3%,同時(shí)保持了較快的檢測(cè)速度。 

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

【文章頁(yè)數(shù)】：13 頁(yè)

【部分圖文】：

數(shù)據(jù)標(biāo)注示意圖

在數(shù)據(jù)集制作過(guò)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(duì)數(shù)據(jù)進(jìn)行增廣處理，即進(jìn)行旋轉(zhuǎn)、獨(dú)立目標(biāo)裁剪、顏色抖動(dòng)、隨機(jī)平移等操作，并修改相應(yīng)的標(biāo)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(qiáng)效果示意圖如圖3所示。數(shù)據(jù)增強(qiáng)的目的是增加訓(xùn)練樣本的多樣性，避免訓(xùn)練過(guò)程出現(xiàn)過(guò)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(lèi)SAR圖像，通過(guò)人工查找、裁剪等方法，從大場(chǎng)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．?dāng)?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(lái)源包含X波段，C波段等Terra SAR、高分3號(hào)衛(wèi)星、美國(guó)桑迪亞國(guó)家實(shí)驗(yàn)室等機(jī)載、星載平臺(tái)拍攝的經(jīng)過(guò)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(lèi)型包括一般獨(dú)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(biāo)注

【參考文獻(xiàn)】：
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(jī)目標(biāo)檢測(cè)方法[J]. 郭智,宋萍,張義,閆夢(mèng)龍,孫顯,孫皓.  電子與信息學(xué)報(bào). 2018(11)
[2]基于生成對(duì)抗網(wǎng)絡(luò)和線上難例挖掘的SAR圖像艦船目標(biāo)檢測(cè)[J]. 李健偉,曲長(zhǎng)文,彭書(shū)娟,江源.  電子與信息學(xué)報(bào). 2019(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像艦船目標(biāo)檢測(cè)[J]. 李健偉,曲長(zhǎng)文,彭書(shū)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(guó),陳啟浩,邵芳芳.  遙感技術(shù)與應(yīng)用. 2017(03)
[5]基于改進(jìn)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(bào). 2014(06)



本文編號(hào)：3496711