可变形网络与迁移学习相结合的电力塔遥感影像目标检测法
发布时间：2021-11-03 13:42
电力塔是电力基础设施的重要组成部分,对其进行检测是必不可少的工作。针对当前遥感影像电力塔检测算法精度低,效果差的问题,本文基于可变形网络和迁移学习对Faster R-CNN进行改进,提出一种基于遥感影像的电力塔检测框架。该框架主要分为两个部分:①特征提取子网络,即利用可变形网络模型改进卷积层,来提高模型对于电力塔几何形变的特征提取能力;②目标检测子网络,即通过模型迁移,将由特征提取子网络训练获得的模型参数迁移至此子网络,由RPN网络和可变形区域池化结合非极大值抑制（NMS）精确获取电力塔位置,利用Fine-tuning技术快速训练此子网络,最终实现高精度的遥感影像电力塔检测。本文算法在测试集中对电力塔检测结果为AP0.5 0.886 1,AP0.6 0.839 6,ACC 0.894 8,与SSD、YOLOv3、Faster R-CNN等相比,各检测指标至少高0.2。由对比试验可以看出,该框架对电力塔遥感影像可以实现较高精度检测,表明该方法在电力塔检测上拥有较大应用潜力。
【文章来源】：测绘学报. 2020,49(08)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
算法框架
传统卷积网络中的几何结构是固定的,这种固定的几何结构使得卷积核只能在图像特定的位置进行采样,卷积核提取的特征表征能力较弱。为保证电力塔的检测精度,本文算法引入文献[20]提出的可变形卷积网络模型,利用该模型重构了ResNet101[21]的网络结构来提升对电力塔特征的提取能力。图2为可变形卷积和常规卷积采样方式的对比。可变形的卷积模型在常规卷积模型的基础上引入了空间几何形变的学习能力,这使得其能够更加准确地完成空间形变目标的特征提取与目标检测的任务。如图2所示,图(b)、(c)、(d)为可变形卷积的采样方式,相对于图(a)来说,将常规卷积的固定位置采样拓展为带有偏置量{Δpn|n=1,2,…,N}的偏置Offset采样,该偏置可以通过一个平行的标准卷积得到。其中N=|R|,对于3×3,且膨胀系数为1的卷积核来说,R[22]可以表示为
式中,ΔPn是一个值为分数的偏置量;W是采样点的权重。由于距离、光照和角度等原因,遥感影像上的电力塔是多方向分布的,其形状和尺度存在不确定性,传统的卷积网络(如图3(a)所示)基于其固定的采样方式使得其对方向、尺度和形变目标的特征提取能力受限,提取的特征不够准确。本文通过可变形卷积网络模型改变传统卷积网络的结构来提取遥感影像上电力塔的特征,由于引入了可变形卷积,卷积时的采样位置可以自由变换,偏置矩阵定义的R接收域指向的采样点对目标趋向性更强,使得输出的特征信息更多,提取的特征更加稳定,能够自适应不同电力塔的方向和尺度变化以及形状差异。根据电力塔的方向、形状和尺度来动态调整卷积核感受野的分布(如图3(b)所示),使得模型对几何形变特征的提取能力有较大提高。1.2 可变形区域池化
【参考文献】：
期刊论文
[1]一种迁移学习和可变形卷积深度学习的蝴蝶检测算法[J]. 李策,张栋,杜少毅,朱子重,贾盛泽,曲延云. 自动化学报. 2019(09)
[2]融合可变形卷积与条件随机场的遥感影像语义分割方法[J]. 左宗成,张文,张东映. 测绘学报. 2019(06)
[3]高分辨率光学遥感场景分类的深度度量学习方法[J]. 叶利华,王磊,张文文,李永刚,王赠凯. 测绘学报. 2019(06)
[4]基于样本扩充的Faster R-CNN电网异物监测技术[J]. 史晋涛,李喆,顾超越,盛戈皞,江秀臣. 电网技术. 2020(01)
[5]基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测[J]. 邓志鹏,孙浩,雷琳,周石琳,邹焕新. 测绘学报. 2018(09)
[6]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[7]一种飞机目标的遥感识别方法[J]. 殷文斌,王成波,袁翠,乔彦友. 测绘通报. 2017(03)
[8]空-谱信息与稀疏表示相结合的高光谱遥感影像分类[J]. 杨钊霞,邹峥嵘,陶超,田彦平,何小飞. 测绘学报. 2015(07)
[9]结合空间像素模板和Adaboost算法的高分辨率遥感影像河流提取[J]. 慎利,唐宏,王世东,张露. 测绘学报. 2013(03)
[10]一种扩展SURF描述符及其在遥感图像配准中的应用[J]. 罗楠,孙权森,耿蕾蕾,李辉,夏德深. 测绘学报. 2013(03)
硕士论文
[1]基于非下采样轮廓波SPP Net的高分辨SAR图像变化检测[D]. 杨争艳.西安电子科技大学 2018
本文编号：3473790
【文章来源】：测绘学报. 2020,49(08)北大核心EICSCD
【文章页数】：9 页
【部分图文】：
算法框架
传统卷积网络中的几何结构是固定的,这种固定的几何结构使得卷积核只能在图像特定的位置进行采样,卷积核提取的特征表征能力较弱。为保证电力塔的检测精度,本文算法引入文献[20]提出的可变形卷积网络模型,利用该模型重构了ResNet101[21]的网络结构来提升对电力塔特征的提取能力。图2为可变形卷积和常规卷积采样方式的对比。可变形的卷积模型在常规卷积模型的基础上引入了空间几何形变的学习能力,这使得其能够更加准确地完成空间形变目标的特征提取与目标检测的任务。如图2所示,图(b)、(c)、(d)为可变形卷积的采样方式,相对于图(a)来说,将常规卷积的固定位置采样拓展为带有偏置量{Δpn|n=1,2,…,N}的偏置Offset采样,该偏置可以通过一个平行的标准卷积得到。其中N=|R|,对于3×3,且膨胀系数为1的卷积核来说,R[22]可以表示为
式中,ΔPn是一个值为分数的偏置量;W是采样点的权重。由于距离、光照和角度等原因,遥感影像上的电力塔是多方向分布的,其形状和尺度存在不确定性,传统的卷积网络(如图3(a)所示)基于其固定的采样方式使得其对方向、尺度和形变目标的特征提取能力受限,提取的特征不够准确。本文通过可变形卷积网络模型改变传统卷积网络的结构来提取遥感影像上电力塔的特征,由于引入了可变形卷积,卷积时的采样位置可以自由变换,偏置矩阵定义的R接收域指向的采样点对目标趋向性更强,使得输出的特征信息更多,提取的特征更加稳定,能够自适应不同电力塔的方向和尺度变化以及形状差异。根据电力塔的方向、形状和尺度来动态调整卷积核感受野的分布(如图3(b)所示),使得模型对几何形变特征的提取能力有较大提高。1.2 可变形区域池化
【参考文献】：
期刊论文
[1]一种迁移学习和可变形卷积深度学习的蝴蝶检测算法[J]. 李策,张栋,杜少毅,朱子重,贾盛泽,曲延云. 自动化学报. 2019(09)
[2]融合可变形卷积与条件随机场的遥感影像语义分割方法[J]. 左宗成,张文,张东映. 测绘学报. 2019(06)
[3]高分辨率光学遥感场景分类的深度度量学习方法[J]. 叶利华,王磊,张文文,李永刚,王赠凯. 测绘学报. 2019(06)
[4]基于样本扩充的Faster R-CNN电网异物监测技术[J]. 史晋涛,李喆,顾超越,盛戈皞,江秀臣. 电网技术. 2020(01)
[5]基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测[J]. 邓志鹏,孙浩,雷琳,周石琳,邹焕新. 测绘学报. 2018(09)
[6]目标检测算法研究综述[J]. 方路平,何杭江,周国民. 计算机工程与应用. 2018(13)
[7]一种飞机目标的遥感识别方法[J]. 殷文斌,王成波,袁翠,乔彦友. 测绘通报. 2017(03)
[8]空-谱信息与稀疏表示相结合的高光谱遥感影像分类[J]. 杨钊霞,邹峥嵘,陶超,田彦平,何小飞. 测绘学报. 2015(07)
[9]结合空间像素模板和Adaboost算法的高分辨率遥感影像河流提取[J]. 慎利,唐宏,王世东,张露. 测绘学报. 2013(03)
[10]一种扩展SURF描述符及其在遥感图像配准中的应用[J]. 罗楠,孙权森,耿蕾蕾,李辉,夏德深. 测绘学报. 2013(03)
硕士论文
[1]基于非下采样轮廓波SPP Net的高分辨SAR图像变化检测[D]. 杨争艳.西安电子科技大学 2018
本文编号：3473790
本文链接：https://www.wllwen.com/kejilunwen/dianlilw/3473790.html
