空军航空大学数字地球实验室, 吉林 长春 130000
针对传统飞机目标检测算法和现有机器学习检测算法存在的问题,提出了遥感影像中的一种有效飞机检测概念;在认知模型下使用基于深度学习的全卷积检测和分割网络,设计了一种有效飞机目标检测系统并对其进行了仿真;构建了一种检测认知模型,并设计了各模块的功能。实验结果证明了该系统的有效性,该系统为开展目标智能检测提供了一种全新的思路和方法。
成像系统 有效飞机检测 深度学习 认知模型 遥感影像 图像分割
设计了一个浅层卷积神经网络来代替预训练模型中的全连接层, 将预训练网络提取的CNN特征作为图像输入设计好的浅层CNN网络, 对比微调预训练模型的方法, 能够更好地适应航拍图像定位任务。为进一步提高航拍图像的定位准确率, 利用无人机航拍图像时间连续的特点, 通过在CNN的分类阶段加入Bi-LSTM网络, 使网络在分类时能够以多张图像特征作为判断依据。实验表明, 时序图像定位方法定位准确率稳定在0. 89左右, 对比单张图像定位方法准确率提升5%左右。
无人机 航拍图像 图像分类 图像定位 预训练网络 Unmanned Aerial Vehicle (UAV) aerial image image classification image localization pre-training network CNN CNN
中国人民解放军空军航空大学航空航天情报系， 吉林 长春 130022
为了保证定位的速度和准确率，采用2016年在目标检测领域取得最佳检测效果的YOLO v2网络制作了以明显特征的地物作为目标区域的目标检测数据集。通过目标框维度聚类、分类网络预训练、多尺度检测训练及更改候选框的筛选规则等方法改进YOLO v2网络，使其更好地适应定位任务。能够将无人机实时获取的航拍图像定位到目标区域，并通过投影关系进行坐标转换得到无人机的经纬度。结果表明：该方法效果较为理想，在航拍图像的目标区域检测任务中检测网络的平均准确率提高到79.5%；在包含目标区域的航拍图像中，经模拟飞行的仿真实验验证，其网络定位准确率大于84%。
图像处理 卷积神经网络 目标检测 图像定位 激光与光电子学进展
2017, 54(11): 111002
