基于改进YOLOv3的合成孔径雷达图像中建筑物检测算法

发布时间：2021-11-15 11:45

　　传统合成孔径雷达（SAR）图像中建筑物检测算法主要是在特定场景下通过人工提取特征进行特定类别的建筑物检测,存在平均检测精度不高、检测效率低的问题,为此提出一种基于改进YOLOv3的SAR图像中建筑物检测算法,通过深度学习实现建筑物的自动检测。制作SAR图像中建筑物数据集,针对建筑物的尺寸特点,通过改进的K均值聚类算法重新设置先验框大小;在结构上借鉴深度神经网络的聚合残差转换思想,将YOLOv3骨架网络中用于构建特征层的单路卷积残差模块改进为多路卷积残差模块,提高通道信息利用率的同时降低计算量;加入浅层特征融合模块,增加特征图中建筑物的形状特征所占比重,在特征融合层之前,使用转置卷积进行上采样,增加细节特征;使用改进YOLOv3算法进行建筑物检测模型的训练,并在测试集上进行测试。实验结果表明,相比原始YOLOv3算法,改进YOLOv3算法在SAR图像中建筑物数据集上平均检测精度提高了9.2%,召回率提高了6.3%,同时保持了较快的检测速度。 

【文章来源】：兵工学报. 2020,41(07)北大核心EICSCD

【文章页数】：13 页

【部分图文】：

数据标注示意图

在数据集制作过程中，由于SAR图像数据有限，本文尽可能加入不同尺度、不同形状和表现形式的建筑物，改变同一图像的分辨率大小，并在训练预处理中对数据进行增广处理，即进行旋转、独立目标裁剪、颜色抖动、随机平移等操作，并修改相应的标签数据，最终数据集大小为1 438张图像。数据增强效果示意图如图3所示。数据增强的目的是增加训练样本的多样性，避免训练过程出现过拟合，提高网络泛化能力。1.3 数据集分析

搜集各类SAR图像，通过人工查找、裁剪等方法，从大场景SAR图像中获取不同背景下、不同表现形式的建筑物数据，制作SBD．数据集共包含1 000张图片，数据集图片像素大小为416×416、512×512;数据来源包含X波段，C波段等Terra SAR、高分3号卫星、美国桑迪亚国家实验室等机载、星载平台拍摄的经过几何校正的SAR图像;图像分辨率分别为0.5 m、1 m、1.25 m、5 m等;极化方式包括交叉极化(VH、HV)、同极化(HH、VV)。数据集中建筑物类型包括一般独立建筑、外形不规则特殊建筑、规则建筑群，图1所示为3种典型建筑物示例图。1.2 数据集标注

【参考文献】：
期刊论文
[1]基于深度卷积神经网络的遥感图像飞机目标检测方法[J]. 郭智,宋萍,张义,闫梦龙,孙显,孙皓.  电子与信息学报. 2018(11)
[2]基于生成对抗网络和线上难例挖掘的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,江源.  电子与信息学报. 2019(01)
[3]基于卷积神经网络的SAR图像舰船目标检测[J]. 李健伟,曲长文,彭书娟,邓兵.  系统工程与电子技术. 2018(09)
[4]利用多尺度SVM-CRF模型的极化SAR图像建筑物提取[J]. 姜萍,刘修国,陈启浩,邵芳芳.  遥感技术与应用. 2017(03)
[5]基于改进MRF的高分辨率SAR图像中建筑物轮廓提取算法[J]. 刘静,温显斌.  天津理工大学学报. 2014(06)



本文编号：3496711