基于YOLOv3网络训练优化的高分辨率遥感影像目标检测

摘要：

传统的YOLOv3模型通常利用ImageNet、COCO等与测试集目标场景特征差异较大的数据集进行训练,存在对高分辨率遥感影像中复杂场景目标检测精度不高的问题.为解决这一问题,提出了一种对YOLOv3网络训练过程进行优化的方法.该方法基于迁移学习的思想,在YOLOv3网络训练中,通过生成与目标域更相似的增广数据集对模型进行预训练,实现了训练过程的优化,提高了目标初始预测的精度;利用目标域训练数据对预训练模型参数进行微调,完成了对网络的训练.利用公开的RSOD和DIOR遥感图像目标检测数据集的子集对飞机、运动场、立交桥三大类目标进行模型训练和检测实验,结果表明:本文提出的训练优化后的YOLOv3模型有效地提高了复杂城区场景中上述三类目标的检测精度.与传统的YOLOv3模型相比,三类目标的平均精度均值(mAP)提高了2％以上.

关键词：遥感、目标检测、高分辨率遥感影像、YOLOv3、迁移学习

所属期刊栏目：58

分类号：P237(摄影测量学与测绘遥感)

资助基金：中央高校基本科研业务费专项长安大学项目;中央高校基本科研业务费专项长安大学项目;国家重点研发计划;国家重点研发计划

在线出版日期：2021-10-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：147-153