基于改进Faster R-CNN的超新星目标检测方法

• 作者: 周稻祥 韩晓红 高宏伟
• 来源期刊: 计算机工程
• 学科: 工学
• 关键词: 超新星 神经网络 目标检测 特征金字塔网络 在线难例挖掘
• 年，卷（期）: 2020,（10）
• 所属期刊栏目: 图形图像处理
• 页码范围: 282-288
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.19678/j.issn.1000-3428.0055927

摘要

在进行超新星目标检测时,图像背景复杂、目标较小以及正负样本不平衡导致图像对比不明显和特征提取难度大等问题.为此,从数据合成、特征提取网络优化等方面对Faster R-CNN算法进行改进,提出一种超新星目标检测方法.将每组图像进行合成以提高图像的对比度.针对特征提取难度大的问题,使用深度残差网络提取合成图像的特征,并将顶层特征依次与低层特征相融合,构建特征金字塔网络,使每一层网络都具有较强的语义信息.采用在线难例挖掘方法对高损失样本进行训练,以处理正负样本不平衡的问题,从而提高算法的检测性能.实验结果表明,与原始Faster R-CNN算法相比,该算法的Score与F1值分别提高8.51％和45.52％,且其检测性能与泛化能力均较高.