基于改进级联RCNN的遥感图像目标检测

针对多尺度、多纵横比的复杂场景下多类别目标的光学遥感图像目标检测问题,增强深度特征的挖掘,提出基于级联RCNN的改进算法。采用高分辨率网络和轻量通道注意力机制优化主干网络,用串-并联的级联RCNN多次学习深度特征。通过网络结构的分析与改进,在简单的训练策略和有限的数据集等条件下取得较好检测结果。在两个当前最大遥感目标数据集上的实验结果表明,改进模型的平均精确度相比原级联RCNN显著提高,且具备更好的泛化能力。

基于改进级联卷积神经网络的交通标志识别

自动驾驶场景中交通标志的检测和识别十分重要,为提高自然场景下交通标志检测精度,本文中提出了一种基于Cascade-RCNN改进的交通标志识别算法。首先,针对交通标志这类小目标特殊任务,将FPN模块的深层特征信息融合进浅层特征层。其次,改进了目标检测任务中的评价指标IoU,引入目标检测任务的直接评价指标GIoU指导定位任务,提高了检测精度。最后,算法在德国交通标志数据集GTSDB下进行了实验验证,以ResNet101为基础特征提取网络,mAP可达98.8%,实验结果表明了所提算法的有效性,具有优越的工程实用价值。