自适应旋转区域生成网络的遥感图像舰船目标检测

针对遥感图像中舰船形状狭长、分布杂乱等特性导致检测难度增大的问题,提出了一种基于快速区域卷积神经网络(Faster R-CNN)的舰船目标检测方法。采用双路网络提取舰船目标特征,为了使特征图充分融合底层细节信息和高层语义信息,用多尺度融合特征金字塔网络(MFPN)进行特征融合;在候选框生成阶段,提出了自适应旋转区域生成网络(AR-RPN),集中在目标中心位置生成旋转锚框,以高效获取优质的候选框。为了提升网络对舰船目标的检测率,结合改进的损失函数对网络进行优化。在HRSC2016和DOTA舰船数据集上的测试结果表明,本方法的平均精度分别为89.10%和88.64%,能很好地适应遥感图像中舰船的形状与分布特性。

基于改进旋转区域生成网络的遥感图像目标检测

为了实现遥感图像中目标的快速准确检测,解决遥感图像目标带有旋转角度的问题,在卷积神经网络理论的基础上,将旋转区域网络生成融入到Faster R-CNN网络中,提出了一种基于Faster R-CNN改进的遥感图像目标检测方法。相对于主流目标检测方法,本文算法针对遥感图像中的大多数目标都具有方向性不定且相对聚集的特点,在区域候选网络中加入了旋转因子,以便能够生成任意方向的候选区域;同时,在网络的全连接层之前增加一个卷积层,以降低其特征图参数,增强分类器的性能,避免出现过拟合。将本文算法与几种主流目标检测方法进行对比分析后可知,本文算法因融合了多尺度特征及旋转区域网络的卷积神经网络所提取的特征,能得到更好的检测结果。

Faster-RCNN电力输送塔检测算法

提出了一种基于Faster-RCNN改进的目标检测算法。利用局部旋转和基于参考白算法,对多角度拍摄的无人机遥感影像进行预处理,以减少图片噪声和修改图片光照、色彩偏差;借助图像特征标注法,进一步加强图像中待检测物体关键性特征的利用率。最后,通过区域生成网络(RPN)的最小尺寸自适应和非极大值抑制阈值适应修改能力,解决大型目标局部被当作完整目标检测的问题,实现目标物体的正确检测。结果表明,相对Faster-RCNN算法,检测精度上提高了7.64%。