基于YOLOv7-tiny改进的航拍小目标检测算法

针对YOLOv7-tiny算法,提出一种改进的小目标检测算法。该算法主要包括3个设计要点:采用MobileViT block模块,提升了特征提取能力;基于EVC Block模块,优化特征融合性能;采用MPDIoU损失函数代替CIoU损失函数,应对预测框和真实目标框的长宽比相同而真实大小不同时的情况。实验结果表明,与YOLOv7-tiny相比,改进后的算法在VisDrone数据集上的mAP值结果为42.5%,提升了5.6%。当输入图片大小为640×640像素时,改进后的FPS值为39.5,能够满足无人机在边缘设备上的实时检测要求。

简单野外背景条件下地面雷达对“低慢小”无人机探测数据集

无人机因其固有的低雷达散射截面和复杂的飞行模式,给雷达系统对其检测、跟踪与识别提出了严峻挑战,已经成为低空安全领域研究的热点和难点问题。而当前公开发布的雷达目标探测数据集仍十分稀缺,针对“低慢小”目标的雷达回波信号数据集目标类型、运动状态以及试验场景较为单一,数量更显匮乏。针对上述问题,本文通过精心设计试验场景、外场数据录取与数据加工处理,提供了一套简单野外背景条件下地面雷达对“低慢小”无人机探测的数据集。该数据集涵盖了多旋翼和固定翼两类五型无人机目标,航迹包括由远及近、由近及远、进出雷达波束等,目标运动状态包括加速、减速、悬停、爬升、俯冲、航向调整等,数据包含高信噪比、低信噪比等情况,充分考虑了“低慢小”目标特性分析、检测、跟踪、识别等雷达信号处理方法研究对实测数据的迫切需求,为相关学者提供了一套全面且多元化的数据资源,可有效推动雷达低空慢速弱小目标探测与识别技术的发展。

航拍图像道路数据集制备迭代最近边缘算法

数据集制备的质量和效率是遥感图像智能处理领域所关注的共性基础问题。针对航拍图像的道路提取数据集制备困难的问题,本文提出了一种迭代最近边缘特征优化算法的航拍图像道路提取数据集制备算法。该算法首先通过人工辅助,建立航拍图像和卫星图像的单应变换关系,将卫星图像投影到航拍图像上,实现基于四点法的卫星图像到航拍图像的粗配准;然后采用边缘检测算子提取粗配准后图像的边缘特征;最后利用基于迭代最近边缘优化算法完成图像的精配准,提高航拍图像的道路数据集制备精度。通过道路提取数据集制备试验,证明了本文所提出的道路数据集制备方法在满足数据集精度要求的同时,能够显著提高道路数据集制备的效率。

一种改进FCN的输电线路航拍图像语义分割方法

针对输电线路航拍图像中存在的背景复杂,绝缘子外观多样,导/地线相对细小,关键目标间相互遮挡等难点问题,传统的分割方法中人工选取特征对多类目标分割普适性较低,分割效果相对较差等不足,提出了一种改进全卷积网络的输电线路航拍图像语义分割方法。首先构建了输电线路航拍可见光图像语义分割数据集,训练深度网络达到对关键部件分割的目的;其次在全卷积网络语义分割方法的基础上,改进深度网络,在网络提取的深度特征上采样阶段采用多尺度的膨胀卷积;最后加入概率图模型条件随机场进一步优化分割效果。实验结果表明,所提方法平均像素分类精确度提高了2.43%,均交并比提高了3.53%,实现了输电线路航拍图像绝缘子、线路金具、导/地线、杆塔关键部件端到端的自动化分割。

四川及周边滑坡泥石流灾害高精度航空影像及解译数据集(2008-2020年)

本文以2008年以来,四川及周边滑坡泥石流灾害0.2-0.9 m高分辨率航空正射影像(DOM)数据为基础,采用目视解译方法,对灾害进行解译和样本标注,制作完成一套精度高的典型滑坡泥石流航空影像及解译数据集。数据集包含107处典型滑坡泥石流灾害影像图片、标注数据和描述文档,涉及地震滑坡、降雨滑坡、沟谷泥石流和坡面泥石流四种类型,空间范围覆盖“5·12”汶川地震、“4·20”芦山地震、“8·8”九寨沟地震等核心灾区,及金沙江和大渡河沿岸区域。明确的数据来源、地质灾害专家的解译标注和详实灾害信息相互印证,保障了本数据集的质量。与国内外现有的相关数据集相比,本数据集在数据源质量、数据集完备性和潜在应用等方面都更具价值,不仅可用于滑坡泥石流灾害的自动化解译,还可用于灾害分布规律、风险分析等研究工作。

基于YOLOv5改进的小目标检测算法

针对传统目标检测算法存在对小目标检测的识别精度低和不稳定的问题,提出基于YOLOv5改进的小目标检测算法。基于卷积神经网络加入额外的检测头,采用数据增强策略并更改网络卷积步长,解决了小目标像素低、占比小、易重叠和难以分辨等问题;同时依托真实检测场景制作一个全新的针对飞机检测的卫星影像数据集,该数据集的待检测小目标占比达61%,飞机姿态及场景丰富,有助于客观全面地验证网络精度。将改进后的算法与原始的YOLOv5模型进行对比,结果表明,其平均精确率AP值较原始YOLOv5模型提升约3%。

中国农村地区建筑物样本及标注无人机影像数据集

农村建筑物是观察农村土地变化和经济发展的基础资料。中国作为农业大国,从高空间分辨率遥感影像上及时、准确提取农村建筑物,对于农村发展至关重要。近年来,随着计算机视觉和运算能力的迅速发展,深度学习以其自动学习特征、适用性强等优点,已在建筑物自动提取等领域取得较好效果。深度学习通常需要大量的训练数据。目前,深度学习提取建筑物常用的数据集以国际上开源建筑物数据集为主,包括Massachusetts、INRIA、WHU等。这些数据集大多基于国外建筑物,缺乏开源、高精度、覆盖范围广、贴切我国农村地区建筑主体结构的建筑物样本数据。为此,本研究基于2017-2020年在陕西渭南、江苏淮安、四川康定、广东汕尾、广东惠州、新疆阿图什、吉林松原等多个中国农村地区采集的无人机航拍图像,制作并开放共享本数据集。本数据集空间分辨率高,基本涵盖我国农村地区房屋建筑的主体结构类型,可应用深度学习方法进行建筑物提取,并可进一步结合具体研究目标进行空间分析和研究,对于国土部门统筹城乡发展和美丽乡村建设具有重要意义和应用价值。

基于多属性学习的航拍视频理解

近年来,无人机迅猛地发展并普及所产生的大量视频,为航拍视频理解带来了前所未有的机遇和挑战。由于现有的绝大多数航拍视频数据集都是单标签标注的,不能细致地描述复杂的无人机视频场景,多属性学习的任务也无法加以实现,例如多标签视频分类。因此,在本文中,我们设计、创建、展示和验证了第一个多属性无人机视频数据库,即"Multiattribute ERA"数据库。我们从地面目标、环境特征和人类情感三个方面入手,找到28个具有代表性的视频属性,并对来自ERA数据库的2864个时长5秒、分属25个事件类的视频进行多属性标注。在此基础上,我们设计并实现了基于多属性学习的多标签视频分类任务,即在该数据库上评估了4种当前处在计算机视觉领域内前沿、基于深度卷积神经网络的视频分类方法。实验结果表明,我们提出的"Multi-attribute ERA"数据库,是可以补充当下各单标签无人机视频数据集局限性的领域内重要基准,无论是在遥感科学领域、还是计算机科学范畴内,都可以作为开发多属性视频学习模型的新挑战,促进视频理解的研究。

面向无人机海岸带生态系统监测的语义分割基准数据集

目的海岸带生态系统的监测是维护生态平衡和可持续发展的重要任务。语义分割技术在遥感影像中的应用为海岸带生态系统的精准监测提供了有效手段。然而,目前该领域仍面临一个挑战,即缺乏公开的专门面向海岸带生态系统的语义分割基准数据集。方法受到自然环境和人为因素的共同影响,海岸带外部形态变化快,目前的卫星遥感和常规的人工测量、船载作业等监测方式已难以满足实时观测的要求。因此本文首先利用无人机对海岸带典型生态群落进行拍摄、采集和标注,构建了面向海岸带生态系统的基准数据集,名为OUC-UAV-SEG。接着,通过统计的方法,对OUC-UAV-SEG进行定量分析,并对数据集中存在的挑战进行了深入探讨。最后,使用典型视觉语义分割算法对OUC-UAV-SEG展开评估。结果对OUC-UAV-SEG数据集进行了基准测试,评估了当前可用的语义分割算法在该数据集上的性能,并揭示了这些算法的局限性。结论OUC-UAV-SEG数据集的建立为海岸带生态系统的监测提供了新的资源,有助于科学家、生态学家和决策者们更好地了解海岸带生态系统的现状和变化趋势,为海洋生态保护和管理提供更精确的信息。该数据集链接:https://github.com/OucCVLab/OUC-UAV-SEG。

雄安新区马蹄湾村航空高光谱遥感影像分类数据集

高光谱遥感影像分类数据集主要用于辅助高光谱遥感分类算法的精度验证、效率评价及性能评估,一般包括高光谱遥感影像、影像对应地物类别标注以及相关信息文档等内容。常用的高光谱遥感影像分类数据集以欧美为主,如India Pines、Salinas、KSC等。随着中国高光谱遥感传感器技术发展和学术交流机制的日臻完善,国内也发布了高光谱遥感分类数据集,如江苏省常州的茶树数据集。较于欧美高光谱遥感分类数据集的广泛应用,中国高光谱遥感分类数据集的发布与应用仍偏少。近年来,中国高质量高光谱遥感数据获取能力大幅增强,提升了中国高光谱遥感共享数据源的数量及质量,为促进中国高光谱遥感应用研究及业务化能力提供了支撑。本分类数据集包括雄安新区马蹄湾村高光谱影像数据,由中国科学院上海技术物理研究所研制高分专项航空系统全谱段多模态成像光谱仪采集,光谱范围为400—1000 nm,波段250个,影像大小为3750×1580像元,空间分辨率0.5 m;同步实地调研地类分布19种,包括水稻茬、草地、榆树、白蜡、国槐、菜地、杨树、大豆、刺槐、水稻、水体、柳树、复叶槭、栾树、桃树、玉米、梨树、荷叶、建筑。利用随机森林分类方法对该数据进行了分类验证,分类精度可达97%。该数据集(下载方式:http://www.hrs-cas.com/a/share/shujuchanpin/2019/0501/1049.html)可为中国经济作物高光谱精细分类研究提供良好的数据支持,更可为中国高光谱遥感载荷业务化应用发展提供有力促进。

基于小数据集BN学习的无人机威胁评估方法

在错综复杂、瞬息万变的作战环境中,敌方干扰及传感器性能局限等因素易导致获取的战场信息不充分。为使无人机在信息不充分条件下具备威胁评估的能力,提出基于小数据集的贝叶斯网络(BN)威胁评估建模方法。从小数据集条件下BN结构学习和参数学习的两个问题入手,利用Bootstrap方法获取的约束矩阵作为评分函数上的约束项,提出一种基于小数据集的BN结构学习算法,并提出一种基于区间先验约束的BN参数学习算法。仿真结果表明,与传统BN学习算法相比,本文提出的小数据集条件下BN学习算法在UAV威胁评估建模中具有更高准确性和可用性。