基于深度卷积神经网络的舰载机目标检测

发布时间：2021-10-17 05:16

　　针对航母甲板面舰载机密集易遮挡,舰载机目标难以检测,且检测效果易受光照条件和目标尺度影响的问题,提出了一种改进的更快的区域卷积神经网络（Faster R-CNN）舰载机目标检测方法。该方法设计了带排斥损失策略的损失函数,并结合多尺度训练,利用实验室条件下采集的图片对深度卷积神经网络进行训练并测试。测试实验显示,相对于原始Faster R-CNN检测模型,改进后的模型对遮挡舰载机目标具有良好的检测效果,召回率提高了7个百分点,精确率提高了6个百分点。实验结果表明,所提的改进方法能够自动全面地提取舰载机目标特征,解决了遮挡舰载机目标的检测问题,检测精度和速度均能够满足实际需要,且在不同的光照条件和目标尺度下适应性强,鲁棒性较高。 

【文章来源】：计算机应用. 2020,40(05)北大核心CSCD

【文章页数】：5 页

【部分图文】：

Faster R-CNN算法结构

RPN结构

针对Faster R-CNN在遮挡目标检测方面存在的问题，受磁铁吸引和排斥的特性启发，提出了排斥损失（Repulsion Loss,RepLoss)[11]。在排斥损失中，每个预测框不仅要求其接近其真实目标，而且要求远离其他目标的真实区域以及预测框[12]，即RepLoss边界回归量由两个因素组成：目标的引力和其他周围目标的斥力。如图3中，当预测框平移到B是将会给予额外的惩罚，因此，RepLoss可以有效防止预测框移动到周围相邻的遮挡目标上，使得检测模型对遮挡目标更加鲁棒。本文中定义排斥损失如下：


本文编号：3441182