基于改进YOLO-V2算法的遥感图像目标检测技术研究

发布时间：2021-04-14 18:26

　　传统遥感图像目标检测方法的时间复杂度高且精准率低,如何快速准确地检测遥感图像中的特定目标成为当前的研究热点。为解决这一问题,文中在YOLO-V2目标检测算法的基础上进行改进,减少了卷积层数与维度,并结合特征金字塔思想,增加了检测尺度,达到了提高检测精度的目的。同时给出了一种基于深度学习的遥感图像目标检测算法的通用处理框架,解决了无法直接处理大幅遥感图像的问题。在DOTA数据集上进行对比实验,结果表明改进YOLO-V2算法在15个类别上的精准率和召回率均优于YOLO-V2算法,mAP值提高了0.12。在时间复杂度方面,所提方法略低于YOLO-V2算法;在大小为416×416的图像小块上,改进YOLO-V2算法相比YOLO-V2检测时间缩短了0.1 ms。 

【文章来源】：计算机科学. 2020,47(S1)北大核心CSCD

【文章页数】：5 页

【部分图文】：

YOLO-V2网络结构

基于深度学习的目标检测算法无法直接处理大幅遥感图像,需要将图像裁剪后进行检测。图2给出了本文算法的处理框架。在训练阶段,首先将遥感图像裁剪为一定大小的图像小块,大幅遥感图像标签也随之变化;然后将裁剪后的图像小块与标签送入设计好的深度学习网络中进行训练;在训练时,将正确标签信息与预测标签信息的差值作为误差,迭代优化网络参数,最后保存训练好的网络模型。在检测阶段,同样先将测试遥感图像裁剪为小块图像;之后送入在训练阶段训练好的网络模型中,经过NMS[14]后处理算法消除重复定位窗口,得到小块图像的检测结果;最后将结果整合,得到原始大幅遥感图像的检测结果。本文算法处理框架的重点在于遥感图像和标签的裁剪与整合。遥感图像裁剪通过滑动窗口裁剪制定大小的图像小块,本文裁剪为416×416大小。图3为遥感图像裁剪示意图。上面的图为原始遥感图像,下面两张图为裁剪后的图像小块。一般相邻图像小块保持15%的重叠[15],其目的是保证原图每个区域都能被完整检测到。重叠区域的重复检测可以通过NMS算法消除。这种有重合区域的裁剪方式可有效避免直接裁剪时边缘截断导致检测不出目标的情况。

本文算法处理框架的重点在于遥感图像和标签的裁剪与整合。遥感图像裁剪通过滑动窗口裁剪制定大小的图像小块,本文裁剪为416×416大小。图3为遥感图像裁剪示意图。上面的图为原始遥感图像,下面两张图为裁剪后的图像小块。一般相邻图像小块保持15%的重叠[15],其目的是保证原图每个区域都能被完整检测到。重叠区域的重复检测可以通过NMS算法消除。这种有重合区域的裁剪方式可有效避免直接裁剪时边缘截断导致检测不出目标的情况。在训练阶段,遥感图像的标签在裁剪过程中也会随之改变。原始遥感图像的标签在裁剪结束后,生成了对应图像小块数量的新标签。假设原始遥感图像的标签为ImageName.txt,裁剪后小块遥感图像的标签名为:

【参考文献】：
期刊论文
[1]最优聚类个数和初始聚类中心点选取算法研究[J]. 张素洁,赵怀慈.  计算机应用研究. 2017(06)



本文编号：3137798