基于最优区域生成的深度多尺度融合遥感飞机检测方法

作者： 刘晨   郑恩让   张桐   来源： 科学技术与工程 年份： 2020 文献类型 ： 期刊 关键词： 遥感图像   飞机检测   多尺度融合   锚框  

描述： 基于最优区域生成的深度多尺度融合遥感飞机检测方法

基于卷积神经网络的遥感图像飞机检测

作者： 张义德   胡长雨   胡春育   来源： 光电子技术 年份： 2017 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   微调   迁移学习   飞机检测  

描述： 提出一种CNN的遥感图像飞机检测的方法。首先获得预训练好的CNN,然后通过参数迁移获得五层卷积层模型参数,接着利用遥感图像对第五层卷积层进行微调获得一个特征提取器。将特征提取器用于提取遥感图像训练集的深度特征,训练可变形部件检测模型。实验表明,提出的方法大大提高了遥感图像飞机目标检测精度,准确率达96%以上。

一种基于级联神经网络的飞机检测方法

作者： 王晓林   苏松志   刘晓颖   蔡国榕   李绍滋   来源： 智能系统学报 年份： 2021 文献类型 ： 期刊 关键词： 嵌入式设备   遥感图像   级联   卷积神经网络   两阶段   深度学习   飞机检测   由粗到细  

描述： 由于旋转角度多样性、极端的尺度差异的影响,遥感图像中的飞机检测目前仍存在挑战。为了解决旋转和尺度的问题,目前的策略是将现有的自然场景下的目标检测算法(如Faster R-CNN、SSD等)直接迁移到遥感图像中。这些算法的主干网络复杂,模型占用空间大,难以应用到低功耗和嵌入式设备中。为了在准确率不降低的情况下提高检测速度,本文提出了一个仅包含9层的卷积神经网络来解决飞机检测问题。该网络采用了由粗到细的策略,通过级联两个网络的方式减少计算开销。为了评估方法的有效性,我们建立了一个针对飞机检测的遥感数据集。实验结果表明,该方法超越了VGG16等复杂的主干网络,达到了接近主流检测方法的性能表现,同时显著降低了参数量并使检测速度提高了2倍以上。

基于可变形卷积神经网络的遥感图像飞机目标检测

作者： 李明阳   胡显   雷宏   来源： 国外电子测量技术 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   遥感影像   可变形卷积   飞机检测  

描述： 遥感图像中的飞机检测在民用和军事应用中都是一个重要且富有挑战性的任务。针对现有目标检测算法在复杂场景中旋转不变性差的问题,提出了一种多尺度可变形卷积神经网络用以检测飞机目标。该方法通过将可变形卷积适当地嵌入到特征金字塔来构建可变形特征金字塔,使得金字塔可以自适应的调整卷积过程中的空间采样位置,在进行飞机检测时具有一定的旋转不变性,且在各种复杂场景中也更加可靠。同时,根据训练集中的目标尺寸设计锚点尺寸并引入焦点分类损失以有效地关注难分类样本。该方法在公共UCAS-AOD数据集获得了97.39%的平均精度与RetinaNet模型相比提高了1.59%,并优于R-FCN、YOLOV2等其他流行方法,证明了该方法的有效性和准确性。

基于可变形卷积神经网络的遥感图像飞机目标检测

作者： 李明阳   胡显   雷宏   来源： 国外电子测量技术 年份： 2021 文献类型 ： 期刊 关键词： 卷积神经网络   遥感影像   可变形卷积   飞机检测  

描述： 遥感图像中的飞机检测在民用和军事应用中都是一个重要且富有挑战性的任务。针对现有目标检测算法在复杂场景中旋转不变性差的问题,提出了一种多尺度可变形卷积神经网络用以检测飞机目标。该方法通过将可变形卷积适当地嵌入到特征金字塔来构建可变形特征金字塔,使得金字塔可以自适应的调整卷积过程中的空间采样位置,在进行飞机检测时具有一定的旋转不变性,且在各种复杂场景中也更加可靠。同时,根据训练集中的目标尺寸设计锚点尺寸并引入焦点分类损失以有效地关注难分类样本。该方法在公共UCAS-AOD数据集获得了97.39%的平均精度与RetinaNet模型相比提高了1.59%,并优于R-FCN、YOLOV2等其他流行方法,证明了该方法的有效性和准确性。

基于半监督学习的遥感飞机图像检测方法

作者： 杜泽星   殷进勇   杨建   来源： 激光与光电子学进展 年份： 2019 文献类型 ： 期刊 关键词： 遥感图像   目标检测   半监督学习   生成式对抗网络  

描述： 针对现有的基于深度学习的遥感飞机图像检测方法,在训练时需要大量的带标记数据集和较长的训练时间,本文提出了一种基于生成式对抗网络的半监督学习方法。采用两种粒度的深度卷积生成式对抗网络,分别提取了待检测目标的边缘特征信息和深层语义特征。通过结合两种粒度的生成式对抗网络的判别器网络模型,设计了目标检测网络模型。实验结果表明,本文所设计的这种半监督学习训练方法有着更快的收敛速度,并且在训练时需要的标记样本更少。

基于卷积神经网络的遥感图像飞机目标识别

作者： 晁安娜   刘坤   来源： 微型机与应用 年份： 2018 文献类型 ： 期刊 关键词： 遥感图像   卷积神经网络   飞机识别   深度学习  

描述： 遥感图像的识别技术一直被广泛运用于民用和军事领域。针对采集到的遥感飞机图像存在大量干扰,如遮挡、噪声、视角变化等因素,提出一种改进的基于卷积神经网络的遥感图像目标识别算法。在复杂环境下,运用卷积神经网络对飞机目标进行识别,避免了在特征提取过程中信息的丢失,提高了识别率。实验结果证明了该算法在遥感图像飞机目标识别中的可行性,能克服尺度变化及目标姿态变化等因素的影响。同时提出的算法较传统CNN、BP神经网络和支持向量机(SVM)方法具有更好的识别效果,鲁棒性更强。

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

作者： 王思雨   高鑫   孙皓   郑歆慰   孙显   来源： 雷达学报 年份： 2017 文献类型 ： 期刊 关键词： 合成孔径雷达(SAR)   数据增强   视觉显著性   飞机检测   卷积神经网络(CNN)  

描述： 传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

作者： 王思雨   高鑫   孙皓   郑歆慰   孙显   来源： 雷达学报 年份： 2017 文献类型 ： 期刊 关键词： 合成孔径雷达(SAR)   数据增强   视觉显著性   飞机检测   卷积神经网络(CNN)  

描述： 传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。

基于卷积神经网络的高分辨率SAR图像飞机目标检测方法

作者： 王思雨   高鑫   孙皓   郑歆慰   孙显   来源： 雷达学报 年份： 2019 文献类型 ： 期刊 关键词： 合成孔径雷达(SAR)   数据增强   视觉显著性   飞机检测   卷积神经网络(CNN)  

描述： 传统的合成孔径雷达(Synthetic Aperture Radar,SAR)图像飞机检测方法一般利用像素对比度信息进行图像分割,从而提取待定目标。然而这些方法只考虑了像素亮度信息而忽视了目标的结构特征,进而导致目标的不精确定位和大量虚警的产生。基于上述问题,该文构建了一个全新的SAR图像飞机目标检测算法框架。首先,针对大场景SAR图像应用需求,提出了改进的显著性预检测方法,从而实现SAR图像候选飞机目标多尺度快速粗定位;然后,设计并调优了含4个权重层的卷积神经网络(Convolutional Neural Network,CNN),实现对候选目标的精确检测和鉴别;最后,因为SAR数据量有限、易导致过拟合,提出4种适用于SAR图像的数据增强方法,具体包括平移、斑点加噪、对比度增强和小角度旋转。实验证实该飞机检测算法在高分辨率Terra SAR-X数据集上效果显著,与传统的SAR飞机检测方法相比,该方法检测效率更高,泛化能力更强。