地面小目标快速检测算法研究

摘要：

由于地面小目标像素低、携带信息量少等特点,常规数据集上的目标检测算法直接用于地面小目标的检测,会出现漏检和错检现象.针对此问题,该文基于深度学习算法,提出将一种改进的YOLOv3算法应用于地面小目标检测.利用K-means算法对数据集中目标进行聚类分析,选取合适的anchor boxes数量和大小.通过增加一个检测小目标的特征图,建立特征融合目标检测层,改进YOLOv3网络检测尺度.在遥感数据集DOTA检测实验中,用改进的YOLOv3算法与YOLOv3算法进行对比实验,结果表明改进后的算法能有效检测地面小目标,查准率提高17.04％,查全率提高了6.44％;与Faster R-CNN算法对比,改进的YOLOv3算法的mAP提高了12.7％.在改进的YOLOv3算法训练时,加入dropout优化机制,其在测试集上的mAP得分又提高了3.24％.

关键词：深度学习、YOLOv3算法、小目标检测

所属期刊栏目：35

分类号：TP751(遥感技术)

资助基金：国家自然科学基金61271354

在线出版日期：2020-04-29（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：1952-1958