基于深度学习的SSD模型尾矿库自动提取

发布时间：2021-04-18 01:19

　　针对华北地区尾矿库自动提取问题,将基于深度学习的SSD目标检测模型应用于遥感图像尾矿库提取。首先标记华北地区2 000个样本,随机挑选1 500个作为训练样本,剩余样本作为测试样本,验证模型的检测精度。分析卷积层对应感受野与图像中尾矿库尺寸关系,发现原始SSD模型漏检误检大型尾矿库。改进SSD模型结构,提出增加额外卷积层的策略,提高对大型尾矿库目标的检测精度。实验表明,在置信度阈值为0. 3时,改进的SSD模型相比原始模型,检测精确率提高10. 0%,召回率提高14. 4%,提高了大型尾矿库检测精度。验证了基于深度学习的SSD目标检测模型自动提取尾矿库的可行性以及改进算法的有效性。 

【文章来源】：中国科学院大学学报. 2020,37(03)北大核心CSCD

【文章页数】：8 页

【部分图文】：

尾矿库结构图

特征图中的预设框示意图

图3 特征图中的预设框示意图损失函数计算时，设xpij={1,0}表示的是匹配到的第i个预设框和第j个真值框属于类别p的匹配程度，总的损失函数是位置损失(loc)与置信度损失(conf)的加权和，计算公式为

【参考文献】：
期刊论文
[1]基于稠密卷积神经网络的遥感图像自动色彩校正[J]. 朱思捷,雷斌,吴一戎.  中国科学院大学学报. 2019(01)
[2]深度卷积神经网络在迁移学习模式下的SAR目标识别[J]. 李松,魏中浩,张冰尘,洪文.  中国科学院大学学报. 2018(01)
[3]基于光谱纹理特征融合和神经网络的地表发射率获取方法（英文）[J]. 徐开发,雷斌,张月婷.  中国科学院大学学报. 2018(01)
[4]基于深度学习的微博用户自杀风险预测[J]. 田玮,朱廷劭.  中国科学院大学学报. 2018(01)
[5]低数据资源条件下基于Bottleneck特征与SGMM模型的语音识别系统[J]. 吴蔚澜,蔡猛,田垚,杨晓昊,陈振锋,刘加,夏善红.  中国科学院大学学报. 2015(01)
[6]黑龙江省矿集区尾矿库遥感监测与分析[J]. 高永志,初禹,梁伟.  国土资源遥感. 2015(01)
[7]陕西省尾矿库遥感调查与环境影响分析[J]. 强建华.  金属矿山. 2013(10)
[8]我国尾矿库现状及问题分析[J]. 侯兴玉.  现代矿业. 2013(10)
[9]鄂东南尾矿库高分辨率遥感图像识别因子研究[J]. 郝利娜,张志,何文熹,陈腾.  国土资源遥感. 2012(03)
[10]我国尾矿库安全现状及事故防治措施[J]. 门永生,柴建设.  中国安全生产科学技术. 2009(01)



本文编号：3144513