基于卷积神经网络的遥感图像目标检测识别.pdf
《基于卷积神经网络的遥感图像目标检测识别.pdf》由会员分享,可在线阅读,更多相关《基于卷积神经网络的遥感图像目标检测识别.pdf(5页珍藏版)》请在咨信网上搜索。
1、舰 船 电 子 工 程2023 年第 5 期1引言随着遥感技术的迅速发展,各种不同成像方式、不同空间分辨率的遥感平台得以涌现,产生了大量遥感图像。高分辨率遥感图像作为信息的有效载体,它不仅具备全天时、全天候、实时传输的能力,同时扩宽了人的视野范围,提高了目标观察精度。舰船作为海上商业贸易的重要运输工具以及战时易遭受攻击的重点军事目标,为确保海上监测、救援等非军事活动和军事任务的顺利展开,使用航天遥感卫星对海上舰船动向进行监视,并寻求技术手段对遥感卫星获取的图像数据进行舰船目标的检测与识别,关乎国家安全和社会经济发展1。开展基于遥感图像的舰船目标检测和识别无论在民用还是军事领域都有着广阔的应用前
2、景。在民用方面,可以监控特定港口或海域的海运交通,辅助遇难船只救援,配合安全管理部门监测和打击非法捕鱼、非法倾倒油污、走私和海盗等违法行为;在军事领域,可以监视敌方重点港口和海域的舰船部署与动态,分析敌方的海上作战实力,评估战时海上打击效果,形成海上作战情报等2。近年来,随着 GPU计算性能的大幅度提升和各大数据集的公开,基于深度学习的目标检测与识别算法已经逐步取代了传统算法,成为当前主流的收稿日期:2022年11月8日,修回日期:2022年12月17日作者简介:张路青,男,硕士研究生,高级工程师,研究方向:指挥自动化。郭莹,女,硕士,高级工程师,研究方向:信息融合与目标识别。基于卷积神经网络
3、的遥感图像目标检测识别张路青1郭莹2(1.海军驻武汉地区第七军事代表室武汉430223)(2.武汉数字工程研究所武汉430205)摘要针对遥感图像中目标方向、目标大小、拍摄角度及场景的多样性导致遥感图像舰船目标检测与识别精度不高的问题,论文提出了一种基于改进卷积神经网络的遥感图像目标检测与识别方法。该方法以Faster R-CNN模型为基础,针对舰船目标在遥感图像中呈现的特性对网络进行优化,适于遥感图像舰船目标检测与识别。实验结果表明,该网络模型有较强的鲁棒性,能准确地完成遥感图像中舰船目标的检测与识别。关键词卷积神经网络;遥感图像;目标识别;深度学习中图分类号TP183DOI:10.3969
4、/j.issn.1672-9730.2023.05.011Remote Sensing Image Object Detection and Recognition Based onConvolutional Neural NetworkZHANG Luqing1GUO Ying2(1.No.7 Military Representative Office of Navy in Wuhan Area,Wuhan430223)(2.Wuhan Digital Engineering Institute,Wuhan430205)AbstractAccording to the problem of
5、 low accuracy in ship target detection and classification in remote sensing imagescaused by the diversity of target direction,target size,shooting angle and scene,this paper proposes a method of ship detection andrecognition in remote sensing image based on convolutional neural network.This method i
6、s based on the Faster R-CNN model andoptimizes the network for the characteristics of ship targets in remote sensing images,making it suitable for ship target detection andrecognition in remote sensing images.The experimental results show that the network model has strong robustness and has a high a
7、ccuracy at ship targets detection and recognition in remote sensing image.Key Wordsconvolutional neural network,remote sensing images,targets recognition,deep learningClass NumberTP183总第 347 期2023 年第 5 期舰 船 电 子 工 程Ship Electronic EngineeringVol.43 No.549总第347期目标检测与识别算法。目前发展较为成熟的深度学习目标检测与识别算法分为两类,分别为
8、以R-CNN3、Fast R-CNN4、Faster R-CNN5为基础的两段式和以YOLO68、SSD9为代表的一段式目标检测与识别算法,其他算法大多以上述算法作为基础进行优化和改进。其中两段式的检测算法与传统的目标检测与识别算法类似,将目标检测与识别作为分类问题来处理。首先根据一系列特征从输入图像提取出过量的候选区域,然后计算每个候选区域的特征,最后对各个候选区域进行分类。而一段式的目标检测与识别算法则直接将目标的定位转化为回归问题处理。由于两类算法在设计上的不同,其性能和精度产生了差异,一段式的算法在计算速度上有着绝对的优势,而两段式的算法则具有较高的定位精度和识别率。从上述可以看出,一
9、段式目标检测与识别算法在处理速率上是优于两段式目标检测与识别算法,但在目标检测与识别精度是不及两段式目标检测与识别算法的。而在军事行动中,舰船目标的检测与识别精度是核心问题,只有保证了识别信息的准确性,才能更好地掌握海情态势,辅助指挥员决策。本文以 Faster R-CNN 模型为基础,提出一种基于改进卷积神经网络的遥感图像舰船目标检测与识别方法。2基于改进卷积神经网络的舰船目标检测与识别海面舰船目标在可见光图像成像中主要表现为大尺度跨度和多方向分布的特征,本文以FasterR-CNN网络模型为基础,结合海面舰船目标的成像特征,构建了一种适用于舰船目标检测与识别的卷积神经网络模型,如图1所示,
10、该模型由深度卷积特征提取网络、多层次候选区提取网络、多层级特征融合网络、候选区特征生成网络、目标精确定位网络和目标分类识别网络六个模块组成。图1舰船目标检测与识别网络框图2.1深度卷积特征提取网络本文构建的深度卷积神经网络通过大规模的数据拟合复杂模型,学习出舰船目标的深层语义特征,更具体的表征待检测物体。该网络模块由5个处理单元构成,如图2所示。处理单元分为两类,前两个基本处理单元分为一类,分别对输入图像进行两次卷积和 ReLU操作之后连接了极大值池化层;后三个基本处理单元分为一类,分别对输入图像进行经过三次卷积和ReLU操作之后连接了极大值池化层。图2深度卷积特征提取网络其中,所有的卷积层都
11、使用尺寸为33的卷积核;所有的极大值池化层都使用22池化核来对卷积特征进行缩放。2.2多层次候选区域提取网络当前目标识别模型在多尺度问题的处理上较为薄弱,对小尺度目标和大尺度目标的检测率低。深度卷积网络多尺度候选区域生成技术从获选区域产生步骤入手,使用多尺度候选区域生成网络在不同缩放级别的卷积特征图上生成尺度多样化的初始窗口。为了适应图像中舰船目标任意方向的特点,用以生成不同角度,不同尺度,不同比例的候选区域。本文结合Ma等提出的倾斜候选区域生成网络(Rotation Region Proposal Networks)11的思想,建立了适于舰船目标检测与识别的多层次候选区域提取网络,如图3所示
12、。多层次候选区域提取网络中分别在4个不同层级的卷积特征图上进行了候选框检测,这些特征图在进行候选区域生成前分别进行了3次、4次、5次和6次22的最大值池化操作,大小分别为原输入图像的1/8、1/16、1/32、1/64。在多个不同大小的卷积特征图上进行相同窗口大小的滑窗,将获得与张路青等:基于卷积神经网络的遥感图像目标检测识别50舰 船 电 子 工 程2023 年第 5 期原图中不同尺度物体相对应的候选框,有效地改善图像中过大或过小尺度目标的漏检问题。针对遥感图像舰船目标水面姿态及种类的多样性,在多层次候选区域提取网络中,本文使用了102、210、44、82、28五个不同大小的窗口在卷积特征图
13、上生成初始候选框,通过对五个大小的卷积核的训练,连接 Loss_Conv1、Conv5_3、Conv6_1、Pool6四个卷积特征的卷积层将根据每个窗口的卷积特征回归出候选框的4个主要参数,在添加方向控制参数以控制候选框的方向。在训练阶段,回归出的候选框参数将与人工标注给出的目标框进行比较,得出每个候选框的误差,将误差反向传播给前面的每一层,对每一层的参数进行调整优化。图3多层次候选区域提取网络2.3多层级特征融合网络特征的表达能力是决定分类器性能的关键因素之一,更强的表达能力能够更具体地描述待检测目标的特性,减少分类器的搜索空间,从而达到提高分类器分类精度的效果。深度卷积网络多层级特征融合技
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 卷积 神经网络 遥感 图像 目标 检测 识别
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。