红外遥感图像受限于红外衍射极限,其分辨率普遍较低,这为红外目标的精准检测和识别带来了困难。针对此问题,提出基于深度学习的红外目标超分辨率目标识别(SROD)算法,该算法主要包括两部分:第一部分是利用WDSR(Wide Activation for Effic...红外遥感图像受限于红外衍射极限,其分辨率普遍较低,这为红外目标的精准检测和识别带来了困难。针对此问题,提出基于深度学习的红外目标超分辨率目标识别(SROD)算法,该算法主要包括两部分:第一部分是利用WDSR(Wide Activation for Efficient and Accurate Image Super-Resolution)对红外遥感图像进行超分辨率重建,将模拟传感器下采样方式处理的红外图像作为训练集。第二部分是基于Faster RCNN的目标检测,提出多尺度特征传递网络结构,将低层特征输入区域候选网络(RPN)层,降低了弱小目标像素被简化的概率,并利用可调节非极大值抑制方法,减少了对密集目标检测框的抑制作用。将该算法应用于整幅红外遥感图像,与相同训练集的Faster RCNN相比,目标检测的准确率提升了5.33%,召回率提升了12.22%,特别是小目标的召回率提升了13.25%。展开更多
文摘红外遥感图像受限于红外衍射极限,其分辨率普遍较低,这为红外目标的精准检测和识别带来了困难。针对此问题,提出基于深度学习的红外目标超分辨率目标识别(SROD)算法,该算法主要包括两部分:第一部分是利用WDSR(Wide Activation for Efficient and Accurate Image Super-Resolution)对红外遥感图像进行超分辨率重建,将模拟传感器下采样方式处理的红外图像作为训练集。第二部分是基于Faster RCNN的目标检测,提出多尺度特征传递网络结构,将低层特征输入区域候选网络(RPN)层,降低了弱小目标像素被简化的概率,并利用可调节非极大值抑制方法,减少了对密集目标检测框的抑制作用。将该算法应用于整幅红外遥感图像,与相同训练集的Faster RCNN相比,目标检测的准确率提升了5.33%,召回率提升了12.22%,特别是小目标的召回率提升了13.25%。