针对火焰检测定位精度与检测精度不高的问题,提出了基于定位置信度和区域全卷积网络的火焰检测方法。首先使用扩大的可分离卷积提高感受野,减少模型参数量,提高检测速度;其次对预测候选框进行平移和伸缩操作,以提高候选区域的完整性;然后对非极大值抑制方法采用分类置信度作为排序标准,而导致的错误抑制问题,引入定位置信度,以提高候选框的定位精度及检测精度;最后加入新的标签,分别代表特征不明显的弱火焰与特征明显的强火焰,对弱火焰样本加强学习,使得弱火焰能与亮色背景更好区分,从而降低样本漏检率。实验结果表明,本文方法在Bilkent大学公开火焰数据集以及互联网搜集的测试数据上,检测的火焰区域更完整,火焰位置更精确,火焰检测率更高。

针对传统舰船检测算法难以适应复杂多变的海洋杂波环境,无法实现智能舰船检测的问题,提出了一种改进的基于区域全卷积网络(R-FCN)的检测方法。针对合成孔径雷达(SAR)图像的特点,对R-FCN中的特征提取网络ResNet进行混合尺度卷积核处理,使特征提取网络能够抑制相干斑噪声的影响,有效提取舰船特征。选取高分辨率GF-3与低分辨Sentinel-1卫星SAR图像进行测试,均取得了良好的检测效果,证明了本文算法的有效性。

传统的火焰检测方法大多基于火焰的物理信号手动设计火焰特征,根据其使用模式进行识别。这类方法容易被外部环境干扰,且手动设计的火焰特征泛化性不强,当火焰形态或场景变化剧烈时,会降低识别精度。针对这一问题,提出了一种基于区域全卷积网络(R-FCN)结合残差网络(ResNet)的深度学习方法对火焰进行检测。通过特征提取网络自动提取特征,利用R-FCN确定火焰位置,并使用ResNet对该位置的火焰进行二次分类,以进一步降低误报率。该方法实现了端到端自动获取火焰特征并进行相应检测的过程,省去了传统火焰特征提取的过程。本文方法在Bilkent大学的火焰视频数据集上平均识别精度达到98.25%。