改进YOLOv3的快速遥感机场区域目标检测

遥感机场区域目标的检测有很大的军事意义和民用意义。为了取得快速且精确的检测效果,自主构建了更加符合具体任务的数据集;以一步回归全局检测为基础框架,针对数据集中类别分布不均衡问题,提出使用生成的方法用生成对抗网络进行有针对性的数据扩充,以获得具有领域变换特性、类数据分布更为均衡的数据集。同时,使用改进的双权重特征金字塔网络检测部件,来融合得到深层次可区分性的更加鲁棒的特征。实验结果表明,相比原网络,改进网络带来了4.98%的多类目标平均检测精确度以及8.33%的平均交并比的提升,分别达到了89.07%的多类目标平均检测精度以及61.97%的平均交并比。此外,改进网络的平均检测时间为0.0625 s,相比类似检测率的RetinaNet-101网络速度约快5.3倍,体现了该网络的有效性以及对具体任务的实用性。

改进的深度神经网络下遥感机场区域目标检测

卫星遥感监测器下的机场区域多类目标检测在实际生活中有着重大的军用和民用意义。为了有效提升机场区域遥感图片的检测精确率,以主流目标检测方法中更快的区域卷积神经网络(Faster R-CNN)为基础框架,针对数据侧提出了ReMD数据增强算法。同时使用更具深度的残差神经网络(ResNet)以及特征融合部件-特征金字塔网络(FPN)来提取机场区域目标更鲁棒的深层区分性特征。在末端检测网络添加新的全连接层并根据目标的类间关联性组合softmax分类器以及4个logistic regression分类器进行机场区域多类目标的精确分类。实验结果表明:相比原网络改进后的网络带来了11.6%的多类平均检测精确率的提升,达到了80.5%的mAP,与其他主流网络进行对比也有更好的精确率;同时通过适当减小建议区域的输入量,可以在降低3.2%精确率的前提下将0.512 s的检测时间提速3倍,至0.173 s,根据具体任务可以合理权衡精确率和检测速度,体现了该网络的有效性以及实用性。

空间可靠性和相关滤波器联合学习的跟踪算法

判别式相关滤波器采用循环移位产生负样本的方式不可避免带来了边界效应。基于背景感知的相关滤波跟踪算法试图利用裁剪矩阵获取更多真实的负样本,既有效缓解了边界效应的影响,又增强了对背景信息的学习。然而,裁剪矩阵的使用缺乏对空间不同位置可靠性的学习,可能会导致背景信息对滤波器的学习占据主导地位。为解决该问题,将空间可靠性的学习引入相关滤波算法中,通过交替方向法与滤波器进行联合迭代求解,加强了滤波器对空间可靠性区域的学习,增强了滤波器的对目标与背景的判别力。此外,为优化模型更新策略,提出了一种基于感知哈希算法的自适应模型更新方法,提升了滤波器学习的有效性。所提出的算法在标准视觉跟踪数据集上进行了全面评估,验证了该算法在性能上的有效性以及实时性。

基于优化区域卷积神经网络的机场区域检测

机场区域因为其特殊性对民用和军用都具有重大意义。基于机器自主识别的机场区域检测方法是目前主流的检测方法,针对传统检测算法对机场区域遥感图像中多类别、多尺度、多视角以及复杂背景下检测鲁棒性不足的问题,本文提出了一种优化的区域卷积神经网络检测算法。首先,构建了一个相比传统数据集包含更多尺度、视角、类别和复杂背景等条件下的机场区域7类典型目标数据集并进行了优化处理,为模型算法的监督训练和调节奠定了基础;然后,根据所检测目标的特性以及网络的局限性,使用差异值法生成anchor、复杂负样本筛选以及加入先验判决网络对原网络进行了优化和仿真验证;最后,对优化的网络模型进行了测试与对比分析。实验结果表明,本文算法在仅增加极少检测时间基础上相比原算法有更高的平均精确度,且对各类目标的检测达到了较好的效果。

基于Faster区域卷积神经网络的目标检测

针对Faster区域卷积神经网络目标检测算法,提出了一种自适应候选区域建议网络。在训练过程中根据当前损失反馈调节候选区域数目,使候选区域在一定范围内动态变化,进而节省开销,并记录下表现最好的候选区域数目;在测试时用记录的候选区域数目进行测试。针对Softmax函数对候选区域进行分类时需要人为选取置信度阈值带来的时间成本和小目标检测准确率下降问题,提出了一种自适应置信度阈值选取算法。实验结果表明,相比传统算法,本算法的检测速度提升了25%,平均检测精度提高了1.9个百分点。