融合特征的深度学习遥感图像目标检测模型

• 作者: 张永福 宋海林 班越 汪西莉
• 来源期刊: 计算机技术与发展
• 关键词: 遥感图像 目标检测 卷积神经网络 特征融合 后处理
• 年，卷（期）: 2021,（9）
• 所属期刊栏目: 图形与图像
• 页码范围: 48-54
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.3969/j.issn.1673-629X.2021.09.009

摘要

为了提高目标检测模型对遥感图像中排列密集、尺度不一的目标,特别是小目标的检测性能,提出了融合特征的深度学习遥感图像目标检测模型和方法.模型采用小规模的网络结构,以应对标记样本较少的情况,并提出了融合多级特征的策略获取更为有效的特征,使模型在不增加检测时间的同时,提高遥感图像中较为密集且大小不一的目标的检测精度.模型中提出了一种新的后处理算法——分组融合剔除检测框算法,在剔除冗余检测框的同时微调检测框位置,使检测框对目标定位更精确,进一步提升检测精度.实验结果表明,所提模型在UCAS-AOD和RSOD-Dataset数据集上检测飞机,精度比Faster R-CNN的结果提高了4.2％和7.3％,漏检率和误检率均有降低.在UCAS-AOD数据集上检测更小的汽车目标,所提模型比Faster R-CNN检测精度提高了7.9％,漏检率下降了5.91％,误检率下降了2.06％.和Faster R-CNN相比,所提的融合处理和检测框后处理算法使得模型针对复杂场景中多尺度密集目标和小目标取得了更高的检测性能.