遥感图像飞机目标高效搜检深度学习优化算法

发布时间：2021-05-28 08:06

　　为了实现大幅面遥感图像中飞机目标的高效检测与准确定位,通过深度神经网络（DNN）的级联组合,提出了一种新颖的搜寻与检测相集成的飞机目标高效检测算法。首先,运用高性能的端到端DNN网络,进行停机坪与跑道区域的像素级高效精准分割,从而大幅度缩小飞机目标的搜索范围,以降低虚警发生概率,完成飞机目标候选检测区域的快速搜寻。然后,针对分割所得停机坪与跑道区域,借助手工数据集对YOLO网络模型进行迁移式强化训练,一方面可以弥补训练集在样本类型与数据规模上的不足,另一方面借助YOLO网络的强时效性优势对飞机目标的位置进行回归求解,可以显著提高飞机目标的检测效率。停机坪与跑道区域分割DNN网络在分割精度与时效性上具有显著优势,而迁移式强化训练YOLO网络不仅具有很高的检测效率,在检测精度上也能保持良好的性能。通过一系列综合实验与对比分析,验证了提出的搜寻与检测相集成的DNN级联组合式飞机目标高效检测算法的性能优势。 

【文章来源】：北京航空航天大学学报. 2019,45(01)北大核心EICSCD

【文章页数】：15 页

【文章目录】：
1 相关工作与技术动态
2 快速搜寻与高效检测的组合方案
    2.1 大幅面遥感图像中飞机目标的分布特点
    2.2 基于DNN网络的停机坪快速检测与分割
    2.3 遥感图像飞机目标高效检测方案
    2.4 搜寻与检测相集成的级联组合方案
3 停机坪与跑道区域的分割和提取
    3.1 停机坪与跑道区域检测和分割的DNN模型
    3.2 样本数据标注和DNN模型的离线监督训练
    3.3 DNN网络学习进化的停机坪与跑道区域分割和提取
4 基于YOLO网络的飞机目标快速检测
    4.1 YOLO网络原理及优势分析
        4.1.1 YOLO网络检测算法的原理
        4.1.2 YOLO网络实时检测的性能优势
    4.2 YOLO网络的训练策略与实施方案
    4.3 面向高效检测的迁移式扩充样本强化训练
        4.3.1 扩充样本的采集与标注
        4.3.2 性能迁移的合理性分析
        4.3.3 扩充样本监督下的强化训练
    4.4 YOLO网络飞机目标检测时效性能评估
5 基于搜检级联的飞机目标高效检测
    5.1 搜索与检测的综合集成
    5.2 级联组合式飞机目标高效检测算法
6 综合实验与性能分析
    6.1 数据库与实验平台
    6.2 实验框架设计与参数设置
    6.3 实验结果与性能评估
    6.4 述评与注解
7 结论


【参考文献】：
期刊论文
[1]自适应特征加权的Gibbs随机场影像分割方法[J]. 陈荣元,徐雪松,李广琼,申立智,刘星宝.  电子学报. 2016(10)
[2]基于隐马尔可夫高斯随机场模型的模糊聚类高分辨率遥感影像分割算法[J]. 赵雪梅,李玉,赵泉华.  电子学报. 2016(03)



本文编号：3207892