FPN在遥感图像检测中的应用

被引：11

作者：

李靓

贺柏根

霍家道

机构：

[1] 江苏自动化研究所

来源：

指挥控制与仿真 | 2019年 / 41卷 / 02期

关键词：

Faster R-CNN; FPN; 目标检测;

D O I：

暂无

中图分类号：

TP751 [图像处理方法]; TP183 [人工神经网络与计算];

学科分类号：

摘要：

基于军事领域对遥感图像目标检测技术的需求,研究了深度学习算法中的Faster R-CNN算法,同时针对遥感图像的小目标数目较多,相邻较近等特点,研究了检测算法中的优化算法—FPN算法;在此基础上使用Caffe进行实验仿真,对比了结合不同尺度特征信息的检测模型对遥感图像中飞行器类别的检测结果;试验结果表明,Faster RCNN算法在遥感图像飞行器类别上表现一般,但结合FPN算法思想后检测结果明显提升,最好的检测模型精度提升了8. 7%;基于该检测模型,检测其他种类的遥感目标,只需要对现有的模型进行微调即可;通过优化基础的Faster R-CNN网络结构训练检测模型,能提升检测结果,为军事上的图像检测提供一种新的方向,可以避免传统目标检测过程中需要人工设计特征、检测耗时较长等缺点,也为后续自动目标检测技术的研究提供新的方向。

引用

页码：130 / 136

页数：7

共 10 条

[1] Fast R-CNN. Girshick R. 2015 IEEE International Conference on Computer Vision(ICCV) . 2015
[2] Faster R-CNN:Towards real-time object detection with region proposal networks. Ren S,He K,Girshick R,et al. Neural Information Processing Systems . 2015
[3] 基于卷积神经网络的目标检测模型的研究. 黄咨,赵宇明. 上海交通大学 . 2014
[4] Histograms of oriented gradients for human detection. Navneet Dalal,Bill Triggs. IEEE Computer Society Conference on Computer Vision and Pattern Recognition . 2005
[5] Faster R-CNN在工业CT图像缺陷检测中的应用
常海涛
苟军年
李晓梅
[J]. 中国图象图形学报, 2018, (07) : 1061 - 1071
[6] Mask R-CNN. Kaiming He,Gkioxari G,Dollar P,et al. IEEE International Conference on Computer Vision . 2017
[7] Spatial pyramid pooling in deep convolutional networks for visual recognition. Kaiming He,Xiangyu Zhang,Shaoqing Ren,Jian Sun. IEEE Transactions on Pattern Analysis and Machine Intelligence . 2015
[8] Training Region-Based Object Detectors with Online Hard Example Mining. Shrivastava A,Gupta A,Girshick R. IEEE Conference on Computer Vision and Pattern Recognition . 2016
[9] Image Data Set. http:∥www.image-net.org .
[10] Feature Pyramid Networks for Object Detection. Tsung-Yi Lin,Piotr Dollár,Ross Girshick,Kaiming He,Bharath Hariharan,Serge Belongie. Computer Vision and Pattern Recognition . 2017

← 1 →