CN112686139B - 基于跨阶段局部多尺度密集连接的遥感图像目标检测方法 - Google Patents

基于跨阶段局部多尺度密集连接的遥感图像目标检测方法 Download PDF

Info

Publication number
CN112686139B
CN112686139B CN202011591625.1A CN202011591625A CN112686139B CN 112686139 B CN112686139 B CN 112686139B CN 202011591625 A CN202011591625 A CN 202011591625A CN 112686139 B CN112686139 B CN 112686139B
Authority
CN
China
Prior art keywords
convolution
layer
multiplied
layers
total number
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202011591625.1A
Other languages
English (en)
Other versions
CN112686139A (zh
Inventor
朱虎明
李思凡
焦李成
杨贵鹏
张泽桐
李佳昌
王晨
张小华
侯彪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xidian University
Original Assignee
Xidian University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Xidian University filed Critical Xidian University
Priority to CN202011591625.1A priority Critical patent/CN112686139B/zh
Publication of CN112686139A publication Critical patent/CN112686139A/zh
Application granted granted Critical
Publication of CN112686139B publication Critical patent/CN112686139B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • YGENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02TCLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00Road transport of goods or passengers
    • Y02T10/10Internal combustion engine [ICE] based vehicles
    • Y02T10/40Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法,主要解决现有技术中不能很好的对遥感图像中多尺度目标进行检测的问题。其实现方案是:1)从公开网站获取遥感图像数据集,将数据集划分为训练集和测试集;2)搭建由主干子网络、特征融合子网络和检测子网络依次连接组成的跨阶段局部多尺度密集连接检测网络;3)用训练集对跨阶段局部多尺度密集连接检测网络进行训练;4)用训练好的网络模型对测试集进行目标检测,输出目标检测结果。本发明具有强化的特征提取能力和对多尺度遥感图像目标检测精度高的优点,可应用于对遥感图像中的多尺度目标识别。

Description

基于跨阶段局部多尺度密集连接的遥感图像目标检测方法
技术领域
本发明属于图像处理技术领域,更进一步涉及一种遥感图像目标检测方法,可应用于对遥感图像中的多尺度目标识别。
背景技术
目标识别是基于分类的识别问题,即对给定图像中的目标进行分类,是目标检测技术的基础。目标检测是图像处理、计算机视觉领域的重要研究方向。遥感图像目标检测是指检测遥感图像中是否存在感兴趣的目标,并确定目标在图像中的位置和分类。随着遥感技术的不断发展,遥感图像目标检测技术已经从军事领域覆盖到民用领域,在自然灾害监测、城市规划、军事设备监控等方面有着广阔的应用前景。
传统的目标检测算法需要人工设计样本特征,检测过程如下:1)使用不同尺度的滑窗在给定的图像上确定候选区域;2)提取候选区域的特征,如SIFT、Harr以及HOG特征;3)使用训练的分类器进行分类。这种传统的目标检测算法基于滑动窗口的区域选择策略没有针对性,时间复杂度高并且有大量的窗口冗余,另外人工设计的特征对于目标多样性的变化没有很好的鲁棒性。
近年来,随着深度学习的不断发展,卷积神经网CNN被应用遥感图像的目标检测并进一步提高了检测性能。与传统的目标检测算法相比,基于卷积神经网络的目标检测算法具有优秀的特征提取能力,可以处理更复杂的场景,准确率也更高。Redmon等人发表的名为“YOLOv3:An Incremental Improvement”的论文中使用基于残差卷积神经网络改进的Darknet53作为主干网络提取特征,并采用多尺度检测方法加强了对不同尺度目标的检测能力,使YOLO系列方法不擅长检测小物体的缺陷得到了改善。但该方法由于使用的残差网络结构具有冗余性,且过多的参数会导致训练复杂、增大对数据量的需求以及减慢检测速度,其次,虽然该方法使用了类似于FPN的特征金字塔,在三个尺度的特征图上进行检测,但由于没有充分融合各层的特征,使得小尺度目标的信息在经过多层卷积信息后容易出现丢失,以至于难以被准确检测。
西安电子科技大学在其申请号:CN201810111594.1,公开号:CN108491757A的专利申请中提出了一种多尺度特征学习的遥感图像目标检测方法。该方法首先构建了一个多尺度特征网络,分别对多尺度特征网络的深浅层特征进行提取;之后在遥感卫星上实时接收的遥感图像中选取多幅含有飞机和舰船目标的光学遥感图像构造训练集样本集和标签集;然后将其输入到多尺度特征网络中,对不同层的输出特征进行融合,得到多尺度特征网络中飞机和舰船目标信息更加丰富的融合特征;最后用训练好的模型对测试样本集进行检测,得到最终的目标检测结果。该方法通过提取融合深浅层的特征,能够克服不同尺度目标特征分布不均衡的问题,提高了小目标和非小目标检测的准确性。但是,该方法由于所构造的多尺度特征网络中对浅层特征提取不够充分,导致大量的边缘位置信息被丢失,即使对深浅层特征进行融合也会使得小目标的检测精度并不理想。
发明内容
本发明的目的在于针对上述现有技术的不足,提出一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法,以减小边缘位置信息的丢失,提高多尺度目标尤其是小尺度目标的检测精度。
本发明的技术思路是:通过跨阶段局部密集连接结构充分提取浅层特征,使用多尺度特征融合网络进一步融合深层特征和浅层特征,实现对多尺度目标检测精度的提高。其实现方案如下:
1.一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法,其特征在于,包括如下:
(1)从公开网站获取公开遥感图像数据集,随机选择75%的图像作为训练集,25%的图像作为测试集,该遥感图像数据集共包含十类目标,分别是:飞机、船、存储罐、棒球场、网球场、篮球场、操场、港口、桥梁和车辆;
(2)搭建跨阶段局部多尺度密集检测网络:
(2a)建立依次由输入层→第一跨阶段局部密集连接块→第二跨阶段局部密集连接块→第三跨阶段局部密集连接块→第四跨阶段局部密集连接块→空间金字塔池化,组成的主干子网络,该主干网络使用Mish激活函数;
(2b)建立依次由第一卷积层、第一上采样层、第一route级联层、第二卷积层、第二上采样层和第二route级联层组成的多尺度特征融合子网络;
(2c)建立由三个结构相同的检测层组成的检测子网络;
(2d)将多尺度特征融合子网络中第一卷积层、第一route级联层和第二route级联分别与主干子网络中空间金字塔池化、第三跨阶段局部密集连接块、第二跨阶段密集块中最后一个卷积层对应连接,并将连接后的结果分别输入三个检测层。
(3)用训练集对跨阶段局部多尺度密集检测网络进行训练,得到训练好的网络模型;
(4)用训练好的网络模型对测试集进行检测,即将测试集输入到训练好的网络模型中,得到每一类目标的平均精度AP及所有类目标的平均精度均值mAP。
本发明与现有技术相比具有以下优点:
第一,本发明由于构建了跨阶段局部多尺度密集检测主干子网络,与现有技术相比,该子网络中将四个跨阶段局部密集连接块与空间金字塔池化相结合,可以学习到更加丰富的浅层特征信息,减少了小目标丢失。
第二,本发明由于构建了多尺度特征融合子网络,与现有技术相比,该子网络融合了主干子网络提取到的浅层和深层特征信息,并用检测子网络在三个尺度的特征图分别进行检测,同时兼顾了对不同尺度目标的检测效果。
第三,本发明由于构建了由主干子网络、多尺度特征融合子网络和检测子网络组成的跨阶段局部多尺度密集检测网络,与现有技术相比,该网络模型保留了大量的浅层特征信息,并且很好的将浅层特征信息和深层信息特征进行融合,提高了目标的检测精度。
附图说明
图1是本发明的实现流程图;
图2是本发明中跨阶段局部多尺度密集连接检测网络结构图;
图3是本发明中主干子网络的四个跨阶段局部密集连接块结构图;
图4是本发明中主干子网络的空间金字塔池化结构图;
图5是本发明中检测子网络的结构图;
图6是用本发明对测试集中部分图像的检测结果图。
具体实施方式
下面结合附图对本发明的实施例和效果做进一步的详细描述。
参照图1,本实例的实现步骤如下:
步骤1,获取训练集和测试集。
从公开网站获取公开遥感图像数据集,随机选择75%的样本作为训练集,25%的样本作为测试集,该遥感图像数据集共包含十类目标,分别是:飞机、船、存储罐、棒球场、网球场、篮球场、操场、港口、桥梁和车辆,即训练集和测试集均包括有这十类目标。
步骤2,搭建跨阶段局部多尺度密集检测网络。
参照图2,该跨阶段局部多尺度密集检测网络由主干子网络、特征融合子网络和检测子网络依次连接组成,各子网络的构建如下:
2.1)建立主干子网络:
参照图3和图4,主干子网络由一个输入层、四个跨阶段局部密集连接块和一个空间金字塔池化组成,其结构依次为:输入层→第一跨阶段局部密集连接块→第二跨阶段局部密集连接块→第三跨阶段局部密集连接块→第四跨阶段局部密集连接块→空间金字塔池化,该主干网络使用Mish激活函数,其定义为:
Mish=x*tanh(ln(1+e^x))
其中x表示输入特征与权值的加权和,tanh和ln为两个非线性函数。
该主干子网络的各层结构及参数设置如下
2.1.1)设输入层特征映射图的总数为3个,输入特征映射图尺度为512×512个节点;
2.1.2)第一跨阶段局部密集连接块由13个卷积层、5个route级联层和1个池化层依次连接组成,如图3(a)所示,各层的参数设置为:
第1个卷积层的特征映射图总数为32个,卷积核的大小为3×3;
第2个卷积层的特征映射图总数为64个,卷积核的大小为3×3;
第3个卷积层的特征映射图总数为64个,卷积核的大小为1×1;
第2个卷积层的输出为第4个卷积层的输入;
第4、6、8、10个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第5、7、9、11个卷积层的特征映射图总数均为32个,卷积核的大小均为3×3;
第12、13个卷积层的特征映射图总数为均128个,卷积核的大小均为1×1;
第1个池化层采用最大池化方式,特征映射图的尺寸设置为2×2;
第1个至第5个共五个route级联层特征映射图大小均为256×256;
第3个卷积层的输出为第5个route级联层的一个输入;
2.1.3)第二跨阶段局部密集连接块由21个卷积层、9个route级联层和1个池化层依次连接组成,如图3(b)所示,各层的参数设置为:
第14、16个卷积层的特征映射图总数均为64个,卷积核的大小均为1×1;
第15个卷积层的特征映射图总数为128个,卷积核的大小为3×3;
第15个卷积层的输出为第17个卷积层的输入;
第17、19、21、23、25、27、29、31、33个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第18、20、22、24、26、28、30、32个卷积层的特征映射图总数均为32个,卷积核的大小均为3×3;
第34个卷积层的特征映射图总数为256个,卷积核的大小为1×1;
第2个池化层采用最大池化方式,特征映射图的尺寸为2×2;
第6个至第14个共9个route级联层的特征映射图大小均为128×128;
第16个卷积层的输出为第14个route级联层的一个输入;
2.1.4)第三跨阶段局部密集连接块由29个卷积层、13个route级联层和1个池化层依次组成,如图3(c)所示,各层的参数设置为:
第35、37个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第36个卷积层的特征映射图总数为256个,卷积核的大小为3×3;
第36个卷积层的输出为第38个卷积层的输入;
第38、40、42、44、46、48、50、52、54、56、58、60、62个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第39、41、43、45、47、49、51、53、55、57、59、61个卷积层的特征映射图总数均为32个,卷积核的大小均为3×3;
第63个卷积层的特征映射图总数为512个,卷积核的大小为1×1;
第3个池化层采用最大池化方式,特征映射图的尺寸为2×2;
第15个至第27个共13个route级联层的特征映射图大小均为64×64;
第37个卷积层的输出为第27个route级联层的一个输入;
2.1.5)第四跨阶段局部密集连接块由13个卷积层、9个route级联层依次组成,如图3(d)所示,各层的参数设置为:
第64、66个卷积层的特征映射图总数均为256个,卷积核的大小均为1×1;
第65个卷积层的特征映射图总数为512个,卷积核的大小为3×3;
第65个卷积层的输出为第67个卷积层的输入;
第67、69、71、73、75、77、79、81、83个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第68、70、72、74、76、78、80、82个卷积层的特征映射图总数为32个,卷积核的大小均为3×3;
第84个卷积层的特征映射图总数为512个,卷积核的大小为1×1;
第28个至第36个共9个route级联层的特征映射图大小均为32×32;
第66个卷积层的输出为第36个route级联层的一个输入;
2.1.6)空间金字塔池化模块由3个池化层、1个route级联层和1个卷积层依次组成,如图4所示,各层参数设置为:
第4个、第5个、第6个池化层均采用最大池化方式,特征映射图的尺寸分别为5×5、9×9和13×13;
第84个卷积层的输出作为第4个、第5个、第6个池化层的输入;
第4个、第5个、第6个池化层的输出均为第37个route级联层的输入;
第85个卷积层的特征映射图总数为512个,卷积核的大小为1×1;
第37个route级联层的特征映射图的大小为32×32。
2.2)建立多尺度特征融合子网络:
该多尺度特征融合子网络依次由第一卷积层、第一上采样层、第一route级联层、第二卷积层、第二上采样层和第二route级联层组成,各层参数设置如下:
第一、第二卷积层的特征映射图总数为128,卷积核的大小为1×1;
第一、第二上采样层采样步长为2;
第一route级联层的特征映射图的大小为64×64;
第二route级联层的特征映射图的大小为128×128。
2.3)建立检测子网络:
该检测子网络由三个结构相同的检测层组成,如图5所示,每个检测层均包括三个卷积层和一个YOLO层,三个卷积层的特征映射图总数分别为256、128和45,卷积核的大小均为1×1;
2.4)连接主干子网络、多尺度特征融合子网络和检测子网络:
将多尺度特征融合子网络中第一卷积层、第一route级联层和第二route级联分别与主干子网络中空间金字塔池化、第三跨阶段局部密集连接块、第二跨阶段密集块中最后一个卷积层对应连接,并将连接后的结果分别输入三个检测层,得到如图2所示的跨阶段局部多尺度密集检测网络。
步骤3,用训练集对跨阶段局部多尺度密集检测网络进行训练。
3.1)设初始学习率为0.001,学习率调整设置为steps方式,权重衰减参数为0.0005,批次大小为32,动量值为0.9;
3.2)使用随机梯度下降算法更新整个网络模型的权重和偏置,每输入32张训练图像更新一次权重和偏置,共迭代15000次停止更新,得到最终训练好的网络模型。
步骤4,用训练好的网络模型对测试集进行检测。
将测试集输入到训练好的网络模型中,得到每一类目标的平均精度AP及所有类目标的平均精度均值mAP,完成对遥感图像的目标检测。
本发明的效果可通过以下仿真实验进一步说明:
1.仿真条件:
本发明仿真实验的硬件平台为:Intel i5-9400F CPU,2.90GHz*6,内存为8G;
本发明仿真实验的软件平台为:DarkNet。
2.仿真实验内容与结果:
仿真实验1,分别采用本发明的方法与现有技术的YOLOv3的方法,对公开遥感数据集NWPU VHR-10进行目标检测,本发明方法部分图像的检测效果如图6。其中,图6(a)是用本发明检测出的操场、篮球场和网球场这三类目标,图6(b)是用本发明检测出的飞机这类目标,从图6可以看出,本发明可以很好的检测出遥感图像中不同尺度的目标。
实验2,将模型测试时的输出每一类的平均精度AP、所有类的平均精度均值mAP分别与现有技术YOLOv3进行比较,比较结果如表1:
表1.本发明与现有技术YOLOv3评价指标结果比较表
本发明 YOLOv3
飞机 0.9887 0.9930
0.7976 0.6188
存储罐 0.8938 0.9485
棒球场 0.9860 0.9880
网球场 0.9773 0.9149
篮球场 0.8875 0.8177
操场 1 0.9581
港口 0.9314 0.9413
桥梁 0.9163 0.9135
车辆 0.8404 0.8058
mAP 0.9219 0.8900
从表1可以看出,本发明方法所有类的平均精度值mAP高于现有技术YOLOv3,且在船、车辆这种小目标上取得了更高的AP值,说明本发明中基于跨阶段局部密集连接的主干子网络提取了更加丰富的浅层信息,多尺度特征融合子网络进一步将浅层特征和深层特征相融合,从而提高了多尺度目标的检测精度。

Claims (5)

1.一种基于跨阶段局部多尺度密集连接的遥感图像目标检测方法,其特征在于,包括如下:
(1)从公开网站获取公开遥感图像数据集,随机选择75%的图像作为训练集,25%的图像作为测试集,该遥感图像数据集共包含十类目标,分别是:飞机、船、存储罐、棒球场、网球场、篮球场、操场、港口、桥梁和车辆;
(2)搭建跨阶段局部多尺度密集检测网络:
(2a)建立依次由输入层→第一跨阶段局部密集连接块→第二跨阶段局部密集连接块→第三跨阶段局部密集连接块→第四跨阶段局部密集连接块→空间金字塔池化,组成的主干子网络,该主干子网络使用Mish激活函数;所述Mish激活函数定义为:
Mish=x*tanh(ln(1+e^x))
其中x表示输入特征与权值的加权和,tanh和ln为两个非线性函数;
(2b)建立依次由第一卷积层、第一上采样层、第一route级联层、第二卷积层、第二上采样层和第二route级联层组成的多尺度特征融合子网络;
(2c)建立由三个结构相同的检测层组成的检测子网络;
(2d)将多尺度特征融合子网络中第一卷积层、第一route级联层和第二route级联分别与主干子网络中空间金字塔池化、第三跨阶段局部密集连接块、第二跨阶段密集块中最后一个卷积层对应连接,并将连接后的结果分别输入三个检测层;
(3)用训练集对跨阶段局部多尺度密集检测网络进行训练,得到训练好的网络模型;
(4)用训练好的网络模型对测试集进行检测,即将测试集输入到训练好的网络模型中,得到每一类目标的平均精度AP及所有类目标的平均精度均值mAP。
2.根据权利要求1所述的方法,其特征在于:(2a)所构建主干子网络中的各层结构及参数设置如下:
设输入层特征映射图的总数为3个,输入特征映射图尺度为512×512个节点;
第一跨阶段局部密集连接块由13个卷积层、5个route级联层和1个池化层依次连接组成,各层的参数设置为:
第1个卷积层的特征映射图总数为32个,卷积核的大小为3×3;
第2个卷积层的特征映射图总数为64个,卷积核的大小为3×3;
第3个卷积层的特征映射图总数为64个,卷积核的大小为1×1;
第2个卷积层的输出为第4个卷积层的输入;
第4、6、8、10个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第5、7、9、11个卷积层的特征映射图总数均为32个,卷积核的大小均为3×3;
第12、13个卷积层的特征映射图总数为均128个,卷积核的大小均为1×1;
第1个池化层采用最大池化方式,特征映射图的尺寸设置为2×2;
第1个至第5个共五个route级联层特征映射图大小均为256×256;
第3个卷积层输出为第5个route级联层的输入;
第二跨阶段局部密集连接块由21个卷积层、9个route级联层和1个池化层依次连接组成,各层的参数设置为:
第14、16个卷积层的特征映射图总数均为64个,卷积核的大小均为1×1;
第15个卷积层的特征映射图总数为128个,卷积核的大小为3×3;
第15个卷积层的输出为第17个卷积层的输入;
第17、19、21、23、25、27、29、31、33个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第18、20、22、24、26、28、30、32个卷积层的特征映射图总数均为32个,卷积核的大小均为3×3;
第34个卷积层的特征映射图总数为256个,卷积核的大小为1×1;
第2个池化层采用最大池化方式,特征映射图的尺寸为2×2;
第6个至第14个共9个route级联层的特征映射图大小均为128×128;
第16个卷积层的输出为第14个route级联层的一个输入;
第三跨阶段局部密集连接块由29个卷积层、13个route级联层和1个池化层依次组成,各层的参数设置为:
第35、37个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第36个卷积层的特征映射图总数为256个,卷积核的大小为3×3;
第36个卷积层的输出为第38个卷积层的一个输入;
第38、40、42、44、46、48、50、52、54、56、58、60、62个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第39、41、43、45、47、49、51、53、55、57、59、61个卷积层的特征映射图总数均为32个,卷积核的大小均为3×3;
第63个卷积层的特征映射图总数为512个,卷积核的大小为1×1;
第3个池化层采用最大池化方式,特征映射图的尺寸为2×2;
第15个至第27个共13个route级联层的特征映射图大小均为64×64;
第37个卷积层的输出为第27个route级联层的一个输入;
第四跨阶段局部密集连接块由13个卷积层、9个route级联层依次组成,各层的参数设置为:
第64、66个卷积层的特征映射图总数均为256个,卷积核的大小均为1×1;
第65个卷积层的特征映射图总数为512个,卷积核的大小为3×3;
第65个卷积层的输出为第67个卷积层的输入;
第67、69、71、73、75、77、79、81、83个卷积层的特征映射图总数均为128个,卷积核的大小均为1×1;
第68、70、72、74、76、78、80、82个卷积层的特征映射图总数为32个,卷积核的大小均为3×3;
第84个卷积层的特征映射图总数为512个,卷积核的大小为1×1;
第28个至第36个共9个route级联层的特征映射图大小均为32×32;
第66个卷积层的输出为第36个route级联层的一个输入;
空间金字塔池化模块由3个池化层、1个route级联层和1个卷积层依次组成,各层参数设置为:
第4个、第5个、第6个池化层均采用最大池化方式,特征映射图的尺寸分别为5×5、9×9和13×13;
第84个卷积层的输出作为第4个、第5个、第6个池化层的输入;
第4个、第5个、第6个池化层的输出均为第37个route级联层的输入;
第85个卷积层的特征映射图总数为512个,卷积核的大小为1×1;
第37个route级联层的特征映射图的大小为32×32。
3.根据权利要求1所述的方法,其特征在于:(2b)中多尺度融合子网络层的各层参数设置如下:
第一、第二卷积层的特征映射图总数为128,卷积核的大小为1×1;
第一、第二上采样层采样步长为2;
第一route级联层的特征映射图的大小为64×64;
第二route级联层的特征映射图的大小为128×128。
4.根据权利要求1所述的方法,其特征在于:(2c)中检测子网络中每个检测层均包括三个卷积层和一个YOLO层,三个卷积层的特征映射图总数分别设置为256、128和45,卷积核的大小均为1×1。
5.根据权利要求1所述的方法,其特征在于:(3)中用训练集对跨阶段局部多尺度密集检测网络进行训练,实现如下:
(3a)设初始学习率为0.001,学习率调整设置为steps方式,权重衰减参数为0.0005,批次大小为32,动量值为0.9;
(3b)使用随机梯度下降算法更新整个网络模型的权重和偏置,每输入32张训练图像更新一次权重和偏置,共迭代15000次停止更新,得到最终训练好的网络模型。
CN202011591625.1A 2020-12-29 2020-12-29 基于跨阶段局部多尺度密集连接的遥感图像目标检测方法 Active CN112686139B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011591625.1A CN112686139B (zh) 2020-12-29 2020-12-29 基于跨阶段局部多尺度密集连接的遥感图像目标检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011591625.1A CN112686139B (zh) 2020-12-29 2020-12-29 基于跨阶段局部多尺度密集连接的遥感图像目标检测方法

Publications (2)

Publication Number Publication Date
CN112686139A CN112686139A (zh) 2021-04-20
CN112686139B true CN112686139B (zh) 2024-02-09

Family

ID=75453801

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011591625.1A Active CN112686139B (zh) 2020-12-29 2020-12-29 基于跨阶段局部多尺度密集连接的遥感图像目标检测方法

Country Status (1)

Country Link
CN (1) CN112686139B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113159182B (zh) * 2021-04-23 2022-09-09 中国科学院合肥物质科学研究院 一种基于密集区域再细化技术的农业微小害虫图像检测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460458B1 (en) * 2017-09-14 2019-10-29 United States Of America As Represented By The Secretary Of The Air Force Method for registration of partially-overlapped aerial imagery using a reduced search space methodology with hybrid similarity measures
CN111008603A (zh) * 2019-12-08 2020-04-14 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111950488A (zh) * 2020-08-18 2020-11-17 山西大学 一种改进的Faster-RCNN遥感图像目标检测方法
WO2020244261A1 (zh) * 2019-06-05 2020-12-10 中国科学院长春光学精密机械与物理研究所 高分辨率遥感图像的场景识别系统及模型生成方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10460458B1 (en) * 2017-09-14 2019-10-29 United States Of America As Represented By The Secretary Of The Air Force Method for registration of partially-overlapped aerial imagery using a reduced search space methodology with hybrid similarity measures
WO2020244261A1 (zh) * 2019-06-05 2020-12-10 中国科学院长春光学精密机械与物理研究所 高分辨率遥感图像的场景识别系统及模型生成方法
CN111008603A (zh) * 2019-12-08 2020-04-14 中南大学 面向大尺度遥感图像的多类目标快速检测方法
CN111950488A (zh) * 2020-08-18 2020-11-17 山西大学 一种改进的Faster-RCNN遥感图像目标检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
戴伟聪 ; 金龙旭 ; 李国宁 ; 郑志强 ; .遥感图像中飞机的改进YOLOv3实时检测算法.光电工程.2018,(12),全文. *
李玉峰 ; 顾曼璇 ; 赵亮 ; .采用改进Faster R-CNN的遥感图像目标检测方法.信号处理.2020,(08),全文. *

Also Published As

Publication number Publication date
CN112686139A (zh) 2021-04-20

Similar Documents

Publication Publication Date Title
CN111091105B (zh) 基于新的边框回归损失函数的遥感图像目标检测方法
CN110136154B (zh) 基于全卷积网络与形态学处理的遥感图像语义分割方法
CN110276269B (zh) 一种基于注意力机制的遥感图像目标检测方法
CN105528638B (zh) 灰色关联分析法确定卷积神经网络隐层特征图个数的方法
CN106228125B (zh) 基于集成学习级联分类器的车道线检测方法
CN109685152A (zh) 一种基于dc-spp-yolo的图像目标检测方法
CN110910378B (zh) 一种基于深度融合网络的双模态图像能见度检测方法
CN108710863A (zh) 基于深度学习的无人机航拍场景语义分割方法及系统
CN110533631A (zh) 基于金字塔池化孪生网络的sar图像变化检测方法
CN111368769B (zh) 基于改进锚点框生成模型的船舶多目标检测方法
CN107832835A (zh) 一种卷积神经网络的轻量化方法及装置
CN110084093B (zh) 基于深度学习的遥感图像中目标检测与识别的方法及装置
CN113642574B (zh) 基于特征加权与网络微调的小样本目标检测方法
CN111914924B (zh) 一种快速舰船目标检测方法、存储介质及计算设备
CN113160062B (zh) 一种红外图像目标检测方法、装置、设备及存储介质
CN109559297A (zh) 一种基于三维区域生成网络的肺结节检测的方法
CN110222604A (zh) 基于共享卷积神经网络的目标识别方法和装置
CN109446894A (zh) 基于概率分割及高斯混合聚类的多光谱图像变化检测方法
CN111242227A (zh) 一种基于异构深度特征的多模态地基云识别方法
CN110414561A (zh) 一种适用于机器视觉的自然场景数据集的构建方法
CN110503098A (zh) 一种快速实时性轻量级的目标检测方法及设备
CN108460336A (zh) 一种基于深度学习的行人检测方法
CN113298817A (zh) 一种准确率高的遥感图像语义分割方法
CN117079132A (zh) 基于高斯距离损失的遥感图像目标检测方法
CN111222534B (zh) 一种基于双向特征融合和更平衡l1损失的单发多框检测器优化方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant