基于DPM和R-CNN的高分二号遥感影像船只检测方法

• 作者: 张涛 张绍明 楼立志
• 来源期刊: 系统工程与电子技术
• 学科: 地球科学
• 关键词: 船只检测 可变形部件模型 区域卷积网络 高分二号遥感影像
• 年，卷（期）: 2019,（3）
• 所属期刊栏目: 电子技术
• 页码范围: 509-514
• 页数: 6页
• 分类号: P20
• 字数: 5179字
• 语种: 中文
• DOI: 10.3969/j.issn.1001-506X.2019.03.07

摘要

提出了基于可变形部件模型(deformable part model,DPM)的高分二号(GaoFen-2,GF2)遥感影像船只检测方法,并与区域卷积网络(regional convolutional neural network,R-CNN)进行比较.先将遥感影像分段以获得船只的粗略感兴趣区域(regions of interest,ROI),然后在ROI内计算方向梯度直方图(histogram of oriented gradients,HOG)和卷积特征,再分别由DPM和R-CNN采用HOG和卷积特征.为测试R-CNN的最佳性能,将具有5个卷积层(ZF网)和具有13个卷积层(VGG网)的网络应用于船只检测.使用8张GF2遥感影像的3 523艘船只的实验结果表明,DPM和R-CNN都能以高召回率和正确率检测水中的船只,但对于聚集船只而言,DPM的效果优于R-CNN.基于HOG+DPM,ZF网和VGG网的方法平均精度分别为95.031％,93.282％和93.683％.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	张绍明	同济大学测绘与地理信息学院	29	180	9.0	11.0
2	楼立志	同济大学测绘与地理信息学院	33	312	9.0	17.0
3	张涛	同济大学测绘与地理信息学院	77	418	8.0	18.0