基于负样本多通道优化SSD网络的钢铁厂提取

发布时间：2022-02-04 17:39

　　准确提取钢铁厂对去产能监测和环境保护具有重要意义。传统的人工目视解译方法效率低、成本高,无法满足开展大区域钢铁厂监测的需求。以深度学习目标检测网络SSD为基础,构建面向遥感影像钢铁厂提取的深度学习目标检测网络,提出maxout模块,将负样本通路优化为多分支结构,突出难分负样本特征并提升网络对无用特征的抵制效果。利用国产GF-1数据对京津冀地区的钢铁厂进行快速自动提取实验。与人工解译的钢铁厂点位数据的对比表明,该目标检测方法的提取精度达到80%以上。 

【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】：

复杂的钢铁厂

选择京津冀地区作为钢铁厂提取研究区域，如图2所示。京津冀地区是中国政治文化中心和经济发展重点区域，总面积21.8万km2，包含北京、天津、雄安新区等核心功能区。该地区土地紧缺且利用方式复杂多样，人口稠密，环境容量有限。区域经济社会的良性发展，需要人和自然环境达成和谐统一，但频发的雾霾污染事件已成为该区域经济社会进一步发展的重大障碍。钢铁行业是社会经济发展的重要组成部分，同时也是主要的大气污染源之一。提高京津冀地区的钢铁厂监测效率和精度，对于经济产业发展和环境保护都具有重要意义。1.2 数据

本文使用VGG16[15]作为特征提取的基础网络，VGG16网络在计算机领域表现优秀，主要用来提取目标的低层特征。VGG16的网络层主要由卷积层、激活层以及池化层组成。卷积层用来抽象目标的特征，卷积核设为3，步长设为1，像素扩充设为1，用来保持卷积过后特征图的图像分辨率。激活层用来减少网络参数的相互依存关系，缓解过拟合问题。池化层用来降低特征图维度，减少数据量，使用的池化方法是最大池化，其中卷积核设为2，步长设为2，像素扩充设为0。随着网络的深入，每个网络层生成的特征图图像分辨率逐渐降低，特征图感受野越来越大。原始的SSD网络在VGG16基础上额外添加4个卷积层，加上VGG16的2个卷积层，总共生成6个卷积层，用于检测不同尺度下的目标，称为“预测层”。由于钢铁厂样本较少，5年的多时相遥感GF-1数据虽然使样本数量扩大5倍，同时SSD网络的数据增强模块也能大大增加样本的多样性，但样本数依然远远不够。钢铁厂要素繁杂，在正样本不足的情况下，模型训练过程中不能充分学习到属于钢铁厂本身的特征。另外，遥感影像背景复杂导致大多数负样本是简单易分的，无法有效抵制干扰信息，这些因素会导致模型检测出大量的非钢铁厂混淆地物。因此，在正样本缺乏的情况下，增强负样本即遥感背景的抵制效果，对于提升钢铁厂这类综合复杂目标的检测精度尤为重要。

【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]遥感大数据时代与智能信息提取[J]. 张兵.  武汉大学学报(信息科学版). 2018(12)
[3]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)
[4]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)



本文编号：3613645