基于蒸馏响应的类增量少样本遥感目标检测研究

近年来,少样本遥感目标检测越来越受到人们的关注,其目的是使目标检测器仅用少量标记的遥感图像样本就能检测到新的目标类别。但主流的少样本遥感目标检测器在学习新类知识的时候,必需要有基类样本的辅助。而在现实世界中,目标类别往往是不断变化的,且环境也在不断变换。这种目标动态性给传统的少样本目标检测方法带来了巨大的障碍,因为它们严重依赖基类样本来学习新类别,这就使这些少样本遥感目标检测器无法无限制的对新类别进行学习,而且随着学习的类别数不断增多,在内存使用量、存储用量和计算量上都将产生严重负担。本研究从实际角度出发,提出了基于蒸馏响应的类增量遥感少样本目标检测算法(Class-incremental Few-Shot Object Detection with Distillation Response inremote sensing images,DR-CFSOD),以实现在不需要基类数据辅助的情况下,利用新类数据独自完成学习任务。此外,本文所研究的算法为了缓解增量学习场景中经常发生的灾难性遗忘问题,通过提取从以前的类中学习到的知识,保留了模型的基类判别能力。为了验证所提方法的有效性,在两个不同的遥感图像数据集上进行了广泛的实验,结果表明,DR-CFSOD比基线方法具有更好的性能。

目标检测强化上下文模型

强化上下文模型中的强化上下文模块(ECM)利用双空洞卷积结构,在节省参数量的同时,通过扩大有效感受野来强化浅层上下文信息,并在较少破坏原始SSD网络的基础上灵活作用于网络中浅预测层,形成强化上下文模型网络(ECMNet).当输入图像大小为300×300时,在PASCAL VOC2007测试集上,ECMNet获得的均值平均精度为80.52%,在1080Ti上的速度为73.5帧/s.实验结果表明,ECMNet能有效强化上下文信息,并在参数量、速度和精度上达到较优权衡,优于许多先进的目标检测器.

基于FCOS和ResNet50-FL的吊弦不受力识别方法

由受电弓长期运行引起的激励和振动不可避免地导致吊弦不受力,影响接触悬挂的结构高度和接触线高度,导致受电弓的受流质量下降。针对接触网吊弦不受力缺陷问题,提出一种基于深度学习的吊弦不受力识别方法,该方法采用全卷积一阶段目标检测器(FCOS)定位吊弦区域,采用添加焦点损失的ResNet50分类网络(ResNet50-FL)对吊弦不受力状态进行识别。在高速铁路接触网图像数据集上的对比实验表明,该方法能够更加准确地识别出吊弦不受力缺陷,具有较好的适应性和鲁棒性。