基于深度学习的航空对地小目标检测
针对航拍图像中对地小目标识别率低 、定位效果差的问题,提出了一种基于深度学习的目标检测算法.该算法利用VGG16网络作为微调网络,并添加部分深层网络,通过提取目标浅层特征与深层特征进行联合训练,克服检测过程中定位与识别相互矛盾的问题.提出把奇异值分解技术应用于卷积特征压缩处理,降低模型的计算与存储需求,并且采用多尺度训练方法以适应航空目标尺度的变化.实验结果表明,在通用数据集PASCAL上可以实现0.76 mAP,检测速度达16 fps,在专用航空目标数据集UCAS-AOD上可以实现0.63 mAP,检测速度达18 fps.基本满足对小目标检测精确度的要求,并且检测速度可以接近实时检测效果.
机器视觉、目标检测、卷积神经网络、卷积特征
33
TP391(计算技术、计算机技术)
国家自然科学基金61705225
2018-10-23(万方平台首次上网日期,不代表论文的发表时间)
共8页
793-800