基于全卷积网络的高分辨遥感影像目标检测
目标检测是遥感图像分析处理中的研究热点之一,具有十分重要的科研和应用价值.传统遥感影像目标检测方法多使用人工构造的浅层次特征,结合支持向量机、随机森林、Adaboost等分类器进行目标识别,难以充分挖掘和利用影像中的深层特征.近年来,深度学习,特别是卷积神经网络在图像认知方面取得了巨大成功.在目标检测领域,以Faster R-CNN算法为代表的方法取得了突破性进展,检测精度大幅提高,检测速度达到了近实时的性能.但是,Faster R-CNN算法由于使用了感兴趣区域(RoI)池化层,各个RoI计算不共享,因此检测速度依然有待提高.R-FCN基于全卷积网络结构,同时采用位置敏感池化来引入平移变化,抵消全卷积网络造成的平移不变形问题,检测精度和效率都有了很大的提高.本文阐述了R-FCN算法原理,并运用于高分辨遥感影像目标检测分析了不同参数和网络结构对R-FCN检测效果的影响,比较了利用Fast R-CNN、Faster R-CNN和R-FCN 3种算法进行飞机识别的性能.试验结果表明,利用R-FCN进行飞机识别定位可以达到99.3%的准确率和每张图180 ms的检测速度.
高分辨率遥感、深度学习、全卷积网络、R-FCN、飞机检测
P237(摄影测量学与测绘遥感)
江苏省测绘地理信息科研项目JSCHKY201720;国家自然科学基金41701438;科技基金性工作专项重点项目2014FY210800
2018-03-09(万方平台首次上网日期,不代表论文的发表时间)
共6页
77-82