1 空军工程大学研究生院, 陕西 西安 710038
2 西北工业大学无人系统技术研究院, 陕西 西安 710072
提出了一种特征融合结合软判决的飞机检测方法。以区域卷积神经网络为基本框架,依次采用L2范数归一化、特征连接、尺度缩放和特征降维来融合多层特征。为了降低网络在目标高度重叠时的漏检率,引入软判决来改进传统的非极大值抑制方法。实验结果表明,所提方法能够准确快速地检测到飞机,得到检测率为94.25%、虚警率为5.5%、平均运行时间为0.16 s的实验结果。与现有的其他检测方法相比,所提方法的各项指标均得到显著提升。
图像处理 飞机检测 特征融合 软判决 区域卷积神经网络
空军工程大学航空航天工程学院, 陕西 西安 710038
针对传统飞机检测方法准确率低、虚警率高、速度慢等问题, 提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合, 以缓解由于深层特征图维度过低造成的对小目标表达不足的问题；修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征；用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像；复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明, 与典型的飞机检测方法相比, 所提方法在测试集上取得了更高的准确率和更低的虚警率, 同时大大加快了检测速度。
机器视觉 飞机检测 全卷积神经网络 浅层和深层特征 特征融合
1 哈尔滨理工大学, 测控技术与通信工程学院, 哈尔滨 150080
2 哈尔滨理工大学, 电气与电子工程学院, 哈尔滨 150080
提出一种CNN的遥感图像飞机检测的方法。首先获得预训练好的CNN, 然后通过参数迁移获得五层卷积层模型参数, 接着利用遥感图像对第五层卷积层进行微调获得一个特征提取器。将特征提取器用于提取遥感图像训练集的深度特征, 训练可变形部件检测模型。实验表明, 提出的方法大大提高了遥感图像飞机目标检测精度, 准确率达96%以上。
遥感图像 卷积神经网络 迁移学习 微调 飞机检测 remote sensing image convolutional neural network transfer learning finetune airplane detection
1 中国科学院遥感应用研究所,北京 100101
2 国家遥感应用工程技术研究中心,北京 100101
为了提高自动目标识别系统的准确性,本文提出了一种高分辨率遥感图像的飞机目标定位的新方法,即在图像分割后再进行一次"去除伪目标"的目标识别系统新策略。首先,利用先验知识采用重叠的面积均分法对图像分块,然后基于多次阈值自动分割方法对各块图像进行分割。针对大图像目标识别的分块策略和飞机目标分割不完全的实际情况,提出一种基于辅助直线的Radon变换飞机轴线检测方法,用于飞机目标的定位。最后,通过实验证明,当飞机目标分割不完全时,本文方法能有效的检测飞机目标。
飞机检测 自动目标识别 Radon变换 定长线段检测 airplane detection ATR Radon transformation line segment detection
