面向航空飞行安全的遥感图像小目标检测

发布时间：2024-04-01 03:18

　　有人机和无人机等各种新型航空飞行器的发展,给航空飞行安全带来了极大挑战,对影响飞行安全的小型目标进行检测是保障安全飞行的首要条件。本文针对现有基于深度学习的目标检测方法在遥感图像小目标检测时存在的不足,以及检测目标尺度过小、图像背景复杂、噪声干扰等问题,探讨了深度学习技术在遥感图像小目标检测方面的研究进展,重点分析了特征金字塔网络、注意力机制、倾斜框检测等相关技术在遥感图像小目标检测上的可行性,提出了一种具有较强泛化能力的目标检测模型。本文以高分二号遥感图像的高压电塔检测为例进行试验,结果表明,本文提出的模型在检测精度和计算开销上可达到更好的效果。

【文章页数】：8 页

【部分图文】：

图5高压电塔检测结果示例

图4mask层结果示例最后,对高压电塔数据集进行实验,计算检测结果的精确率(precision)、召回率(recall)、平均精度(AP),结果如表1所示。

图1小目标检测网络

本文在Fast-RCNN算法的基础上对特征提取部分以及网络检测部分进行了改进,以ResNet-101网络为基础结构,构造了一种新的特征金字塔网络,以提升网络对多尺度特征的表达能力。具体的网络结构如图1所示。首先输入整张图片进入特征金字塔进行特征提取,再利用RPN模块提....

图2特征提取网络

具体实验中将高分二号遥感图像进行裁剪,输入图像为800×800×3的RGB图像,利用ResNet-101网络提取出C2、C3、C4不同尺寸的特征图像,然后将C3与C4的上采样图像进行特征融合,得到最终特征图像F1。特征提取网络中C2,C3,C4层具体结构如图2所....

图3特征提取结果

在高压电塔数据集实验过程中,以ResNet-101网络为基础进行图像特征提取,通过网络的多层卷积运算,获取原始遥感影像中亮度、边缘的轮廓、纹理和色彩等特征。从图3可以看出,获取的特征图像具有明显的可视化特性,能够清晰显现出遥感图像中的建筑物轮廓。其中低层特征图像....

本文编号：3944917