基于Top-down网络结构的坦克装甲目标检测

发布时间：2021-03-29 21:14

　　针对复杂场景下坦克装甲目标检测任务,提出了一种基于自顶向下聚合机制和分层尺度优化的目标检测方法。先基于ResNet-101骨架网络,提出一种自顶向下的聚合网络构架（TDA）,克服了卷积神经网络在特征表达能力和细节捕获能力间存在的固有矛盾。在TDA网络的基础上,进一步探索了Faster R-CNN检测框架针对坦克装甲目标检测任务的优化方法,对于建议区域提取网络,提出了一种分层尺度优化的多路RPN网络,并根据感受野区域的大小设置合理的初始建议区域,有效提高了对建议区域的提取效率。对于目标检测子网络,构建了一个更加轻便快速的网络模型。针对坦克装甲目标构建了专用的目标检测数据集,并在该数据集上对几种目前主流的目标检测方法进行了训练和测试。实验结果表明,上述方法在坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。 

【文章来源】：计算机仿真. 2020,37(03)北大核心

【文章页数】：5 页

【部分图文】：

基于Top-down网络结构的目标检测算法总体框架

图2展示了几种对比方法在ATD数据上对应的PRC曲线。由图可知,本文提出的方法取得了最高的AP(76.57%),相比于另外四种方法分别高出6.05%,11.61%,14.21%,30.21%。。这样的结果也证明了本文提出的方法针对坦克装甲目标的检测具备优越的性能。表1比较了各种方法在ATD数据集上的数值结果。由表可知,本文提出的方法在召回率、准确率以及F1-Score等三个方面均取得了最佳的表现,证明了本文提出的方法相比于另外几种具备更好的综合性能。值得一提的是,本文提出的方法获得了76.9%的召回率,比R-FCN高出了5.8%,相比于其它方法更是有超过10个百分点的优势,这对于坦克装甲目标的检测任务来说至关重要,有更多的可疑目标能够被检测到。此外,本文对各种方法的检测速度也进行了测试。本文提出的方法对应的检测速度为5.5帧/秒,略高于Faster R-CNN以及R-FCN。SSD对应的检测速度达到44fps,大幅领先于其它几种方法。然而,SSD在其它几个性能指标上的表现较为一般。特别是对于小尺度目标,SSD的检测结果相对于本文的方法还存在较大差距。表1 不同检测方法在在ATD数据集上的数值结果 GT RR PR F1-Score speed (fps) ACF 9742 51.4% 60.8% 0.557 0.7 SSD 9742 60.2% 77.2% 0.676 44 Faster R-CNN 9742 62.3% 79.5% 0.699 4.8 R-FCN 9742 71.1% 80.6% 0.754 5.0 ours 9742 76.9% 81.5% 0.791 5.5

针对复杂场景下坦克装甲目标检测图像检测任务,本文提出了一种基于自顶向下聚合机制和分层尺度优化的目标检测方法。基于ResNet-101骨架网络,本文构建一种自顶向下的聚合网络构架(TDA),克服了卷积神经网络在特征表达能力和细节捕获能力间存在的固有矛盾;在TDA网络的基础上,提出了一种分层尺度优化的多路RPN网络和一个轻便型的检测子网络,很好的兼顾到了目标检测的精度和效率。本文所提出的方法在构建的坦克装甲目标数据集上取得了优异的检测效果,目标检测的精度和速度均优于目前主流的检测方法。

【参考文献】：
期刊论文
[1]基于视觉的目标检测与跟踪综述[J]. 尹宏鹏,陈波,柴毅,刘兆栋.  自动化学报. 2016(10)
[2]复杂背景下的颜色分离背景差分目标检测方法[J]. 吴青青,许廷发,闫辉,徐磊,吴威,李相民.  兵工学报. 2013(04)
[3]精确打击作战与装甲装备未来发展[J]. 王铁虎,焦爱泉,冯连仲,张茂林.  兵工学报. 2010(S2)



本文编号：3108201