基于改进Yolo v3算法的遥感建筑物检测研究

针对遥感图像中建筑物检测存在小型建筑物检测难度大、检测过程中无法满足实时性等问题,提出将基于深度学习的目标检测算法Yolo v3应用到建筑物检测场景中。以实时性及泛用性良好的Yolo v3为基本算法,满足实时性的要求;通过改进Yolo v3的网络结构,以修改特征图分辨率、调整先验框维度为方向加强对小型建筑物的检测能力。实验结果表明,改进的Yolo v3目标检测算法既满足了实时性的要求,且检测精度和召回率达到了91.29%和95.61%,较原算法分别提高了5.35%和2.34%。因此提出的改进方法有效解决了遥感领域小型建筑物的检测问题。     

基于改进Mask RCNN的电力检修违规操作检测

电力检修现场中施工行为的规范关系到工作人员的人身安全,对电力行业的发展至关重要.为了从计算机视觉的角度对电力检修工作人员的违规操作行为进行检测,基于Mask RCNN算法设计了一种多任务多分支违规行为检测算法,综合目标检测、关键点检测与实例分割任务,并行对目标进行检测并获得目标的边框坐标、关键点与mask信息.实验结果表明,相对于原来的Mask RCNN,该算法在实例分割和关键点检测方面都有了显著的提升,具有更高的准确性和鲁棒性,在电力检修违规检测方面满足实际部署的精度要求.     

一种基于深度学习的遥感图像目标检测算法

遥感图像分析在国土资源管理、海洋监测等领域有着极为广阔的应用前景。深度学习技术已在图像处理领域取得突破性进展,然而,遥感图像固有的尺寸大、目标小而密集等特点,使得将面向普通图像的深度学习方法用于遥感目标检测普遍存在定位不准确、小目标检测难、大图检测精度差等问题。针对上述难题, 提出了一种新型遥感图像目标检测算法DFS。与传统机器学习方法相比,DFS 设计了新的维度聚类模块、定制损失函数和滑动窗口分割检测机制。其中,维度聚类模块通过设计聚类机制优化定制先验框,提高定位精度;定制损失函数提高对船只等小目标的检测精度;滑动窗口分割检测解决大图检测精度低的问题。在经典遥感数据集上开展的实验对比表明,与YOLOv2相比,DFS算法的mAP提高了256%,小目标检测效率及大图检测效能大幅提高。     

基于改进Faster RCNN的目标检测算法

近年来基于深度卷积神经网络的目标检测算法已经成为了主流,Faster R-CNN就是一种主流的目标检测算法。在Faster R-CNN卷积神经网络的基础上,使用DIoU来评价预测框和真实框的距离。针对Faster R-CNN小目标检测效果不好的缺陷,将原算法中的候选区域池化RoI Pooling改进为检测更为精确的区域特征聚集方式RoI Align。此外还改进了原算法中锚框的非极大值抑制方法,增加了算法的平均检测率。最后在公开数据集MS COCO、PASCAL VOC 2007、PASCAL VOC 2012上进行对比训练,在PASCAL VOC 2007测试集上进行验证。实验结果表明改进后的目标检测算法能够有效提高原Faster R-CNN算法的目标检测率。     

基于AT-NMS的Mask RCNN改进算法

大数据下的目标检测算法常常会出现目标漏检和重复检测问题,针对此问题提出一种基于自适应阈值-非极大值抑制AT-NMS的Mask RCNN改进算法Mask RCNNAT-NMS.首先在ResNet基础上添加可变形卷积模块增强提取目标多层卷积特征的能力;其次使用AT-NMS算法提取目标候选区域的深层信息;然后通过ROI Align 2次量化处理实现对目标更加精确的定位;最后通过3个分支实现目标实例分割、目标分类和目标边框回归.实验结果表明,在PASCAL-VOC2012和Indoor CVPR_09数据集上,相比于AT-NMS算法,Mask RCNNAT-NMS算法的重复检测率和目标漏检率均有所降低,并且识别精度有所提升.由此可见,Mask RCNNAT-NMS算法能够缓解因固定阈值引起的目标漏检和重复检测问题,且能在此基础上提高检测精度.     

基于深度学习的遥感图像微小目标检测方法研究

遥感图像中含有大量的微小目标,只有准确检测到这些微小目标,才能实现远程目标的识别与跟踪。为了给远程跟踪工作提供有效的辅助工具,以深度学习算法为技术支持,优化设计遥感图像微小目标检测方法。利用硬件设备实时采集包含微小目标的遥感图像,通过几何校正、灰度化转换、噪声抑制、去雾以及图像增强等步骤,完成初始图像的预处理。通过前景与背景图像的分割,选择遥感图像中的待检测目标。构建深度卷积神经网络作为深度学习算法的运行环境,经过前向传播、反向传播提取遥感图像特征。最终通过特征匹配,得出包含微小目标数量以及位置坐标的检测结果。通过性能测试实验得出结论：与传统遥感图像目标检测方法相比,优化设计方法的查准率和查全率分别提高了6.3%和10.74%,目标位置检测误差得到明显降低,且响应时间缩短了2440ms,由此证明优化设计方法具有良好的检测性能。     

高分辨率遥感图像灾区建筑物检测

在遥感图像中,灾区建筑物的检测对灾情获取和灾后应急救援具有重要意义。针对灾区高分辨率遥感图像中建筑物检测的问题,提出了一种改进 的基于形态学特征的多方向和多尺度分割方法,以实现灾区建筑物的自动化检测。首先将形态学算子的重建、粒度和方向等性质 整合到建筑物的亮度、大小和对比度等特征中,对遥感图像进行初步的分割并提取高亮和高对比度的建筑物,然后结合图像的区 域边缘信息,进一步提取潜在的建筑物。实验结果表明,所提方法对灾区高分辨率图像中的建筑目标有较高的检测率和较低的误检率。     

基于Mask R-CNN改进的遥感图像舰船检测

遥感图像中舰船朝向不确定性,舰船种类的多样性以及和其他海上及港口物体之间的相似性,使舰船检测的性能下降严重。针对这一问题,使用一种简单且有效的方法来训练有旋转不变性和Fisher判别的Mask R-CNN舰船检测模型,通过优化模型的目标函数以提高舰船检测性能,在保持原有检测模型结构不变的基础上引入两个正则化器,第一个正则化器加强训练样本旋转之前和之后的特征联系,第二个正则化器限制卷积神经网络有小的类内散度和大的类间散度。实验中,在Kaggle遥感图像船只检测数据集上验证了所提出的方法提高了检测遥感图像中舰船目标的性能。     

基于深度学习的遥感图像目标检测技术研究进展

目标检测是遥感图像信息提取领域中的研究热点之一,具有广泛的应用前景。近些年来,深度学习在计算机视觉领域的发展为海量遥感图像信息提取提供了强大的技术支撑,使得遥感图像目标检测的精确度和效率均得到了很大提升。然而,由于遥感图像目标具有多尺度、多种旋转角度、场景复杂等特点,在高质量标记样本有限的情况下,深度学习在遥感图像目标检测应用中仍面临巨大挑战。从尺度不变性、旋转不变性、复杂背景干扰、样本量少和多波段数据检测5个角度出发,总结了近几年基于深度学习的遥感图像目标检测方法。此外,对典型遥感图像目标的检测难点和方法进行分析和总结,并对公开的遥感图像目标检测数据集进行概述。最后阐述了遥感图像目标检测研究的未来趋势。     

基于深度网络的遥感图像目标检测与识别

本文针对卫星遥感图像中的典型目标检测与识别问题,采用了基于深度神经网络的回归算法,利用深度网络所学习出来的特征结构针对多分类复杂场景具有很好的识别效果,同时将检测、分类与识别一同进行回归处理。可以有效缩短训练时间,并提升处理效率,保证目标检测的准确度,在实际应用中前景广泛。     

基于改进的Faster RCNN面部表情检测算法

针对真实环境下多目标表情分类识别算法准确率低的问题,提出一种基于改进的快速区域卷积神经网络(Faster RCNN)面部表情检测算法.该算法利用二阶检测网络实现表情识别中的多目标识别与定位,使用密集连接模块替代原始的特征提取模块,该模块能够融合多层次特征信息,增加网络深度并避免网络梯度消失.采用柔性非极大抑制(soft...     

基于Mask R-CNN的高空作业安全带检测

随着计算机视觉近几年的发展,相关工作者越来越侧重人工智能算法在电力安全管控系统的实际应用.本文针对电力检修工作人员安全带规范问题,基于Mask R-CNN算法提出了一种新型高空作业安全带低挂高用违规检测算法,实时高效率完成作业者安全带违规检测问题.针对安全带挂环违规现象的复杂性和场景多变性等问题,本文提出实用于安全带检...     

基于深度学习的遥感影像地块分割方法

[目的]遥感影像地块分割是遥感影像解译的一项具体任务.良好的遥感影像地块分割结果可以为环境保护、农业生产、城镇建设提供指导意见.[方法]本文使用Pytorch框架搭建了DeepLabV3+网络,编码器使用ResNet101和空洞空间金字塔池化模块进行特征提取,解码器使用双线性插值的方法进行特征图尺寸还原.训练过程中,针...     

基于改进Mask R-CNN的卫星目标部位检测方法

针对卫星部件维修更换、燃料加注、废弃卫星回收等空间在轨服务中需解决的目标卫星部位检测问题,在Mask R-CNN的基础上,改进其主干网络结构并缩减分类回归、Mask分支通道数,提出了一种改进的实例分割网络模型Ring-Engine-Mask R-CNN,使用实物模型图像和3dsMax生成的仿真图像建立了专用数据集,给出了一种基于深度学习的卫星目标部位检测方法;实验结果表明,该方法能较好的完成卫星星箭对接环和远地点发动机喷管两种目标部位的检测分割,相较于传统的网络模型,在缩小了模型规模的同时,具有更高精度和更快的检测速度.     

基于移位窗口金字塔Transformer的遥感图像目标检测

目标检测任务是计算机视觉领域中基础且备受关注的工作,遥感图像目标检测任务因在交通、军事、农业等方面具有重要应用价值,也成为研究的一大热点。相比自然图像,遥感图像由于受到复杂背景的干扰,以及天气、小型和不规则物体等诸多因素的影响,遥感图像目标检测任务要实现较高的精度是极具挑战性的。文中提出了一种新颖的基于移位窗口Transformer的目标检测网络。模型应用了移位窗口式Transformer模块作为特征提取的骨干,其中,Transformer的自注意力机制对于检测混乱背景下的目标十分有效,移位窗口式的模式则有效避免了大量的平方级复杂度计算。在获得骨干网络提取的特征图之后,模型使用了金字塔架构以融合不同尺度、不同语义的局部和全局特征,有效地减少了特征层之间的信息丢失,并捕捉到固有的多尺度层级关系。此外,文中还提出了自混合视觉转换器模块和跨层视觉转换器模块。自混合视觉转换器模块重新渲染了深层特征图以增强目标特征识别和表达,跨层视觉转换器模块则依据特征上下文交互等级重新排列各特征层像素的信息表达。模块融入到自下而上和自上而下双向特征路径之中,以充分利用包含不同语义的全局和局部信息。所提网络模型...     

基于深度强化学习的遥感图像可解释目标检测方法

随着遥感技术的飞速发展,遥感图像目标检测在资源勘探、城市规划、自然灾害评估等方面得到广泛应用.遥感影像背景复杂、目标尺度较小,难以检测.针对此问题,文中提出基于深度强化学习的遥感图像可解释目标检测方法.首先,将深度强化学习应用于超快速区域神经网络中的候选区域生成网络,修改激励函数,提高对遥感图像的检测精度.然后,将原有参数量较大的主干网络轻量化,提高方法的检测速度和可移植性.最后,利用网络解剖方法对隐层表征的可解释性进行量化,赋予方法人类理解的可解释性概念.实验表明,文中方法在3个公开的遥感数据集上的性能有所提升.通过改进的网络解剖方法进一步验证方法的有效性.