以无人机遥感影像为数据源实施多类别车辆目标的快速、精准检测,在城市道路管理及智慧城市建设等领域有重要的应用价值。针对无人机遥感影像中存在的背景复杂、车辆目标分布密集交错等问题,本文提出一种基于单阶段回归方法的车辆检测模...以无人机遥感影像为数据源实施多类别车辆目标的快速、精准检测,在城市道路管理及智慧城市建设等领域有重要的应用价值。针对无人机遥感影像中存在的背景复杂、车辆目标分布密集交错等问题,本文提出一种基于单阶段回归方法的车辆检测模型。在特征提取网络中,以3×3小尺寸卷积核为基础构建带有自适应校正(Squeeze and Excitation,SE)通道注意力机制的特征提取层作为网络前三层,对小尺寸目标特征进行细粒度提取,以级联非对称卷积组构成后网络的后两层,通过更少的计算量来完成对大尺度目标的特征提取。在特征增强网络中,将所有尺度特征图融合为三层输出特征图,并利用自适应锚点框机制实现目标框定位。试验结果表明,本文提出的模型能够达到0.906的综合检测精度与31帧/秒的检测速度,并且对于多种背景下不同密集程度的汽车目标表现出良好的泛化能力。展开更多
文摘以无人机遥感影像为数据源实施多类别车辆目标的快速、精准检测,在城市道路管理及智慧城市建设等领域有重要的应用价值。针对无人机遥感影像中存在的背景复杂、车辆目标分布密集交错等问题,本文提出一种基于单阶段回归方法的车辆检测模型。在特征提取网络中,以3×3小尺寸卷积核为基础构建带有自适应校正(Squeeze and Excitation,SE)通道注意力机制的特征提取层作为网络前三层,对小尺寸目标特征进行细粒度提取,以级联非对称卷积组构成后网络的后两层,通过更少的计算量来完成对大尺度目标的特征提取。在特征增强网络中,将所有尺度特征图融合为三层输出特征图,并利用自适应锚点框机制实现目标框定位。试验结果表明,本文提出的模型能够达到0.906的综合检测精度与31帧/秒的检测速度,并且对于多种背景下不同密集程度的汽车目标表现出良好的泛化能力。