近似联合训练的Faster R-CNN对立木图像的检测与识别

为提高复杂背景下立木图像的识别准确率,提出近似联合训练的Faster R-CNN对立木图像进行目标提取并分类。首先迁移ImageNet上的模型VGG16、ResNet101和MobileNetV2提取图像特征并微调网络,然后构建新的数据集包括7科10种立木图像共2 304张,通过该数据集训练和测试3种网络模型下的Faster R-CNN。结果表明,通过近似联合训练的Faster R-CNN得到的均值平均精度分别是93.64%、92.38%、92.58%,对于不同种属的立木,VGG16网络效果最佳。由于光照会对图像识别造成影响,将光照平衡前后的结果作对比,得到光照平衡后的立木图像识别结果优于平衡前。并利用训练的模型对斜向生长的立木图片进行检测,结果显示生长方向不影响图像识别准确率。证明该方法在具有复杂背景的立木图像上具有良好的效果,对更多立木的识别有一定的参考价值。

结合Faster R-CNN模型的遥感影像建筑物检测

高分辨率遥感影像场景复杂,其中建筑物目标种类结构各异且存在大量遮挡,现有检测算法使用特征表达性不强。结合Faster R-CNN模型设计一种针对遥感影像的建筑物检测方法。首先通过共享卷积网络获取原始影像的深层特征图;然后结合区域建议网络生成初步检测结果;最后根据Fast R-CNN检测网络对结果进行进一步判定和边界回归。针对困难样本造成的训练中断,对训练策略进行改进,通过近似联合训练的方法对模型参数同步调优。实验结果表明,该方法准确率和召回率明显优于DPM方法,对非训练测试集遥感影像具有较好鲁棒性,有效实现了针对遥感影像的建筑物检测。