基于深度卷积神经网络的航空器检测与识别

发布时间：2019-09-23 21:48

【摘要】：针对军用机场大尺寸卫星图像中航空器检测识别的具体应用场景,建立了一套实时目标检测识别框架,将深度卷积神经网络应用到大尺寸图像中的航空器目标检测与识别任务中。首先,将目标检测的任务看成空间上独立的bounding-box的回归问题,用一个24层卷积神经网络模型来完成bounding-box的预测;然后,利用图像分类网络来完成目标切片的分类任务。大尺寸图像上的传统目标检测识别算法通常在时间效率上很难突破,而基于卷积神经网络的航空器目标检测识别算法充分利用了计算硬件的优势,大大缩短了任务耗时。在符合应用场景的自采数据集上进行测试,所提算法目标检测实时性达到平均每张5.765 s,在召回率65.1%的工作点上达到了79.2%的精确率,分类网络的实时性达到平均每张0.972 s,Top-1错误率为13%。所提框架在军用机场大尺寸卫星图像中航空器检测识别的具体应用问题上提出了新的解决思路,同时保证了实时性和算法精度。
【图文】：

网络结构图,网络结构,卷积

3AlexNet图像分类网络AlexNet获得了ILSVRC2012图像分类第一名，是近几年卷积神经网络在图像方面应用的里程碑式模型［14］。AlexNet采用了5层卷积层加3层全连接层的结构，相对卷积神经网络的经典模型LeNet来说复杂了许多。AlexNet的网络架构如图1所示。AlexNet在细节处理方面结合了文献［14］的改进方法，使用了ReLU作为激活函数，，并使用了Dropout的方式防止过拟合现象。AlexNet中一层完整的卷积层包括了卷积、ReLU、Max-pooling以及Normalization四个部分。最后对训练数据作了增量处理，再次降低了过拟合的风险。图1AlexNet网络结构Fig．1NetworkarchitectureofAlexNet2基于CNN的目标检测识别框架2．1卷积神经网络卷积神经网络是可以用作处理多维数组类型的数据的算法，三通道的RGB图像就是一个典型的例子，它的四个关键部分分别是:局部连接、权值共享、池化以及多层卷积。一个典型的卷积神经网络结构由这样一系列步骤组成:第一个阶段包含卷积层和池化层，卷积层单元(卷积核)位于特征图(FeatureMap)中，每一个卷积核通过一组权值和上一层的特征图的某个局部块作卷积，即局部连接;然后将这个加权和传递给一个非线性激活函数，例如Sigmoid函数或者ReLU。同一个特征图中所有单元共享权值，不同层的特征图则使用不同的权值，即权值共享。显而易见，权值共享大大减少权重参数的数量。使用局部连接和权值共享能够起作用主要是因为:通常一个特征点附近的值是高度相关的，可以形成比较容易被探测到的有区分性的局部特征;其次，不同位置局部统计特征不太相关，也就是说在一个地方出现的某个特征可能会出现在别的地方，所以不同位置的单元可以共享权值。卷积层的作用是感知上一层特征的局部连接，然而池化层的作用则是在语义上把相似?

算法流程

本文所设计框架的应用场景是:针对对地卫星拍摄的包含军用机场的大尺寸光学图像，需要分别输出航空器目标的定位框和航空器类型识别结果。受限于应用场景的规定，本框架需要分别完成bounding-box检测和类型识别两个模块，并各自配有可视化输出。由于项目对目标检测的要求较高，提高检测率的同时还要保证实时性。与此同时，通过观察数据集，发现各类的训练数据不均衡，因此直接采用检测-识别同时完成的框架，会导致检测率和识别率大幅降低。综合考虑各个因素，本文提出了融合两个网络来完成航空器目标检测识别任务。如图2所示，本文算法流程大致可分为预处理输入图像、目标检测、类型识别、以及输出综合结果四个阶段。图2本文算法流程Fig．2Flowchartoftheproposedalgorithm2．2．1检测网络检测部分，本文在YOLO算法的基础上作了改进，YOLO关键问题是采用网格分割图像导致的检测精度下降以及检测过小目标的问题。图3给出了目标检测部分的网络架构，由24个级联的卷1704计算机应用第37卷
【作者单位】：上海交通大学电子信息与电气工程学院;上海交通大学计算机模式识别实验室;
【基金】：国家自然科学基金资助项目(61375008)~~
【分类号】：E954;TP183;TP391.41

【相似文献】