基于旋转不变Faster R-CNN的低空装甲目标检测

被引：8

作者：

曹宇剑 ^{[1
]}

徐国明 ^{[1
,2
]}

史国川 ^{[1
]}

机构：

[1] 不详

[2] 中国人民解放军陆军炮兵防空兵学院

[3] 不详

[4] 安徽新华学院信息工程学院

[5] 不详

来源：

激光与光电子学进展 | 2018年 / 10期

基金：

安徽省自然科学基金; 中国博士后科学基金;

关键词：

图像处理; 目标检测; 旋转不变; 卷积神经网络; 装甲目标; 无人机;

D O I：

暂无

中图分类号：

TP391.41 [];

学科分类号：

080203 ;

摘要：

对机动变换的装甲目标进行快速精确检测是低空无人机的一项重要性能要求,但目前主流检测方法自身的旋转不变性不能有效应对这一挑战。结合深度卷积神经网络(CNN)提出基于旋转不变Faster R-CNN的低空装甲目标检测方法,该方法在Faster R-CNN框架的基础上引入旋转不变层,通过在模型的目标函数上增加正则化约束条件来加强目标CNN特征旋转前后的不变性。实验选取三种典型的装甲目标缩比模型,在室内外模拟不同场景条件下的低空侦察环境,利用偏振高光谱相机获取目标的侦察模拟图像作为样本数据用于模型验证。在多模型对比实验中,改进模型的平均检测准确率提升了2.4%,取得了最好的检测效果,初步验证了改进方法的有效性。

引用

页码：225 / 231

页数：7

共 10 条

[1] 基于YOLO v2的无人机航拍图像定位研究
魏湧明
全吉成
侯宇青阳
[J]. 激光与光电子学进展, 2017, (11) : 101 - 110
[2] 特征融合的卷积神经网络多波段舰船目标识别
刘峰
沈同圣
马新星
[J]. 光学学报, 2017, 37 (10) : 248 - 256
[3] 基于深度分层特征的激光视觉焊缝检测与跟踪系统研究
邹焱飚
周卫林
陈向志
[J]. 中国激光, 2017, 44 (04) : 95 - 106
[4] 基于自适应卷积特征的目标跟踪算法
蔡玉柱
杨德东
毛宁
杨福才
[J]. 光学学报, 2017, 37 (03) : 269 - 280
[5] 无人机侦察/打击一体化的关键技术[J]. 姜长生.电光与控制. 2011(02)
[6] 偏振高光谱图像多维度信息提取及目标检测算法研究[D]. 马文静.哈尔滨工业大学. 2014
[7] The Pascal Visual Object Classes (VOC) Challenge
Everingham, Mark
Van Gool, Luc
Williams, Christopher K. I.
Winn, John
Zisserman, Andrew
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2010, 88 (02) : 303 - 338
[8] Distinctive image features from scale-invariant keypoints
Lowe, DG
[J]. INTERNATIONAL JOURNAL OF COMPUTER VISION, 2004, 60 (02) : 91 - 110
[9] Backpropagation Applied to Handwritten Zip Code Recognition
LeCun, Y.
Boser, B.
Denker, J. S.
Henderson, D.
Howard, R. E.
Hubbard, W.
Jackel, L. D.
[J]. NEURAL COMPUTATION, 1989, 1 (04) : 541 - 551
[10] Rich Feature Hierarchies for Accurate Object Detection and Semantic Segmentation .2 Girshick R,Donahue J,Darrell T,et al. Computer Vision and Pattern Recognition . 2014

← 1 →