深度学习的遥感影像舰船目标检测

被引：21

作者：

赵江洪 ^{[1
,2
,3
]}

张晓光 ^{[1
,3
]}

杨璐 ^{[4
]}

马思宇 ^{[1
,3
]}

王殷瑞 ^{[1
]}

董岩 ^{[1
,3
]}

孙铭悦 ^{[1
,3
]}

陈朝阳 ^{[1
,3
]}

机构：

[1] 北京建筑大学测绘与城市空间信息学院

[2] 现代城市测绘国家测绘地理信息局重点实验室

[3] 建筑遗产精细重构与健康监测北京市重点实验室

[4] 北京豆果信息科技有限公司

来源：

测绘科学 | 2020年 / 45卷 / 03期

基金：

北京市自然科学基金;

关键词：

遥感影像; 舰船检测; 深度学习; 卷积神经网络(CNN); 残差网络;

D O I：

10.16251/j.cnki.1009-2307.2020.03.017

中图分类号：

TP751 [图像处理方法]; TP18 [人工智能理论]; U675.7 [船舶导航与通信];

学科分类号：

081002 ; 081104 ; 0812 ; 0835 ; 1405 ; 081105 ;

摘要：

针对传统舰船检测方法中流程繁琐,速度较慢且对于复杂背景区域的检测精度较低等问题,该文提出了一种改进的Faster R-CNN深度神经网络端到端自动检测方法。该方法通过数据增强技术对数据集进行扩充,使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取,在区域生成网络中针对舰船目标长宽比较高的特点修改了标定框的长宽比,较好地解决了传统检测方法步骤繁琐,速度较慢等缺点,实现了对遥感影像舰船目标的自动检测。实验结果表明,改进后的Faster R-CNN检测算法能够对遥感影像中的舰船目标进行快速的精确检测,准确率可达92.3%,检测速度达到每秒5帧。即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比,该方法提升了目标检测效果和识别效率,Faster R-CNN检测算法相比该方法提升了检测精度。

引用

页码：110 / 116+134 +134

页数：8

共 5 条

[1] 光学遥感图像中复杂海背景下的舰船检测 [J].

王慧利 ;

朱明 ;

蔺春波 ;

陈典兵 ;

杨航 .

光学精密工程, 2018, 26 (03) :723-732

[2]

基于Faster R-CNN的人脸检测与识别算法研究与实现[D]. 尉冰.西安电子科技大学. 2017

[3] Preliminary evaluation of eCognition object-based software for cut block delineation and feature extraction [J].

Flanders, D ;

Hall-Beyer, M ;

Pereverzoff, J .

CANADIAN JOURNAL OF REMOTE SENSING, 2003, 29 (04) :441-452

[4]

Fast R-CNN .2 GIRSHICK R. http://cn.arxiv.org/pdf/1504.08083.pdf . 2018

[5]

Vehicle recognition using Curvelet transform and SVM .2 KAZEMI F M,SAMADI S,POORREZA H R,et al. 4th International Conference on Information Technology . 2007

← 1 →