基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法

被引：27

作者：

陈慧元 ^{[1
]}

刘泽宇 ^{[1
]}

郭炜炜 ^{[2
]}

张增辉 ^{[1
]}

郁文贤 ^{[1
]}

机构：

[1] 上海交通大学电子信息与电气工程学院

[2] 同济大学同济–MIT城市科学国际联合实验室

来源：

雷达学报 | 2019年 / 03期

关键词：

舰船目标检测; 深度学习; 全卷积网络; 大场景遥感图像; 快速检测;

D O I：

暂无

中图分类号：

TP751 [图像处理方法]; TP183 [人工神经网络与计算];

学科分类号：

081002 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

针对大场景遥感图像舰船目标的快速检测问题,该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络,负责对大场景图像中可能的舰船区域进行快速预筛选,其层数少、训练简单,候选框冗余较少,能够减少后续网络的计算负担;D-FCN是一个改进的U-Net网络,通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习,实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试,结果表明该方法的检测准确率分别为0.928和0.926,与传统滑窗法相当,但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显著提高目标检测效率,可实现大场景遥感图像中舰船目标的快速检测。

引用

页码：413 / 424

页数：12

共 7 条

[1] 基于卷积神经网络的海上微动目标检测与分类方法 [J].

苏宁远 ;

陈小龙 ;

关键 ;

牟效乾 ;

刘宁波 .

雷达学报, 2018, 7 (05) :565-574

[2]

A coupled convolutional neural network for small and densely clustered ship detection in SAR images[J]. Juanping ZHAO,Weiwei GUO,Zenghui ZHANG,Wenxian YU.Science China（Information Sciences）. 2019(04)

[3] 基于U型卷积神经网络的航空影像建筑物检测 [J].

伍广明 ;

陈奇 ;

Ryosuke SHIBASAKI ;

郭直灵 ;

邵肖伟 ;

许永伟 .

测绘学报, 2018, (06) :864-872

[4] 雷达低可观测动目标精细化处理及应用 [J].

陈小龙 ;

关键 ;

黄勇 ;

于晓涵 ;

刘宁波 ;

董云龙 ;

何友 .

科技导报, 2017, 35 (20) :19-27

[5] 基于矩阵信息几何的飞机尾流目标检测方法 [J].

刘俊凯 ;

李健兵 ;

马梁 ;

陈忠宽 ;

蔡益朝 .

雷达学报, 2017, (06) :699-708

[6] Selective Search for Object Recognition [J].

Uijlings, J. R. R. ;

van de Sande, K. E. A. ;

Gevers, T. ;

Smeulders, A. W. M. .

INTERNATIONAL JOURNAL OF COMPUTER VISION, 2013, 104 (02) :154-171

[7]

DOTA:A Largescale Dataset for Object Detection in Aerial Images. XIA G S,BAI X,DING J,et al. Computer Vision and Pattern Recognition . 2018

← 1 →