基于深度语义分割的遥感图像海面舰船检测研究

发布时间：2021-03-19 14:35

　　针对在复杂海况下,遥感图像舰船检测容易受到海杂波、薄云、海岛等影响,导致检测结果可靠性低的问题,引入了端对端的深度语义分割方法,将深度卷积神经网络与全连接条件随机场结合。以ResNet架构为基础,首先将遥感图像经过深度卷积神经网络作为输入,对图像进行粗分割,然后经过改进的全连接条件随机场,利用高斯成对势和平均场近似定理建立条件随机场为递归神经网络作为输出,从而实现了端对端的连接。所提方法在Google Earth和NWPU-RESISC45建立的数据集上与其他模型进行对比,实验表明,所提方法提高了目标检测精度以及捕获图片精细细节的能力,平均交并比为83.2%,相对于其他模型具有明显优势,且运行速度快,满足遥感图像海面舰船检测的需求。 

【文章来源】：仪器仪表学报. 2020,41(01)北大核心

【文章页数】：8 页

【部分图文】：

空洞卷积原理

Deeplab模型以ResNet架构为基础,将ResNet的全连接层转化为卷积层,最后两个池化层去掉下采样,后续卷积层的卷积核改为了空洞卷积,并对ResNet的权重进行微调,这样网络最后输出的特征图分辨率提高,感受野变大。然后进行多尺度提取,ASPP模块如图2所示,在给定的输入特征图上以r=(6,12,18,24)的3×3空洞卷积并行采样,并使用批量归一化(batch normalization,BN)方法加快网络训练速度。ASPP各个空洞卷积分支采样后结果最后融合到一起,得到最终预测结果,实际上就是通过不同的空洞卷积来对图像进行不同程度的缩放,获得了更好的分割效果。最后使用全连接条件随机场细化图片。2 复杂海况下遥感图像舰船检测

Η 1 (t)={ softmax(U),?t=0 Η 2 (t-1),?0<t≤Τ ?????? ??? (6) Η 2 (t){f 0 (U,Η 1 ,Ι),0≤t≤Τ?????? ??? (7) Y(t)={ 0,?0≤t≤Τ Η 2 (t),?t=Τ ?????? ??? (8)通过上述改进,模型整体流程如图4所示,深层卷积神经网络作为网络的第一部分,提供了CRF一元电位,进入循环卷积神经网络后,需要迭代t次才能离开循环,使用反向传播算法和随机梯度下降方法进行端到端的培训,一旦离开循环,softmax层进行网络的终止。该算法统一了卷积神经网络与CRF的优势,形成了端对端的连接。

【参考文献】：
期刊论文
[1]遥感图像处理技术在测绘领域中的应用分析[J]. 李莎.  世界有色金属. 2019(14)
[2]基于多尺度条件随机场的语义图像分割深度卷积网络[J]. 汪萍.  宿州学院学报. 2019(07)
[3]遥感图像云检测的多尺度融合分割网络方法[J]. 郭玥,于希明,王少军,彭宇.  仪器仪表学报. 2019(06)
[4]复杂海况下遥感图像舰船目标检测方法研究[J]. 陈彦彤,李雨阳,姚婷婷.  激光与光电子学进展. 2019(18)
[5]基于SSDAE深度神经网络的钛板电涡流检测图像分类研究[J]. 包俊,叶波,王晓东,尹武良,徐寒扬.  仪器仪表学报. 2019(04)
[6]基于改进深度卷积神经网络的步态识别算法[J]. 卢来,邓文,吴卫祖.  电子测量与仪器学报. 2019(02)
[7]采用机器视觉的金属表面横向裂纹检测[J]. 王清晨,景军锋.  电子测量与仪器学报. 2018(11)
[8]基于DPMM和MRF的高分辨率遥感图像无监督对象分割[J]. 刘尚旺,侯旺旺,赵欣莹.  仪器仪表学报. 2018(11)
[9]基于组合分形特征的海杂波中目标检测方法[J]. 刘宁波,丁昊,田永华,文树梁,关键.  航空兵器. 2018(02)
[10]基于深度学习的运动心率测量系统[J]. 荣凡稳,郑伟,陈冉,高军峰.  电子测量与仪器学报. 2017(12)



本文编号：3089739