一种军用飞机的FasterRCNN目标检测算法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN111881932A(43)申请公布日2020.11.03(21)申请号202010529102.8(22)申请日2020.06.11(71)申请人中国人民解放军战略支援部队信息工程大学地址450000河南省郑州市高新区科学大道62号(72)发明人刘建辉江刚武王鑫张锐徐佰祺谭熊(74)专利代理机构郑州大通专利商标代理有限公司41111代理人张立强(51)Int.Cl.G06K9/62(2006.01)G06N3/04(2006.01)G06T7/11(2017.01)权利要求书1页说明书6页附图3页(54)发明名称一种军用飞机的FasterRCNN目标检测算法(57)摘要本发明提供一种军用飞机的FasterRCNN目标检测算法。该方法包括：将原有特征提取网络中的池化层用步长为2的卷积层进行替换，在一定程度上保留原特征图中所有信息；并且利用两个不同的特征图进行融合处理，从而保证最终的特征图中包含低层的位置信息和高层的语义信息，如此基于该最终的特征图进行后续处理，可以提高目标检测算法的准确度。CN111881932ACN111881932A权利要求书1/1页1.一种军用飞机的FasterRCNN目标检测算法，其特征在于，将原有FasterRCNN算法的特征提取网络中的池化层替换为3×3卷积层，并将卷积层的步长设置为2。2.根据权利要求1所述的目标检测算法，其特征在于，在替换最后一个池化层的卷积层与原有的后续神经网络层之间增加一层输出维度为512的3×3卷积层。3.根据权利要求2所述的目标检测算法，其特征在于，所述原有FasterRCNN算法中的特征提取网络采用VGG16深度神经网络模型。4.根据权利要求3所述的目标检测算法，其特征在于，还包括：将VGG16深度神经网络模型中原有的第11层卷积层输出的特征图记为第一类特征图，对所述第一类特征图进行上采样，得到第二类特征图；将新增加的所述输出维度为512的3×3卷积层所输出的特征图记为第三类特征图，对所述第二类特征图和所述第三类特征图进行融合连接得到最终的特征图。5.根据权利要求1所述的目标检测算法，其特征在于，所述目标检测算法中的特征提取网络和RPN网络中的训练方法具体为：步骤1：选取5种类型飞机的遥感影像构建数据集；步骤2：先对RPN网络进行训练，根据在ImageNet数据集上预训练得到的参数对特征提取网络进行初始化操作，然后在步骤1构建的数据集上进行微调；步骤3：对分类和回归网络进行训练，然后在步骤1构建的数据集上进行微调；步骤4：在得到步骤3训练后的参数后，再次对RPN网络进行微调；步骤5：再次对分类和回归网络进行微调。2CN111881932A说明书1/6页一种军用飞机的FasterRCNN目标检测算法技术领域[0001]本发明涉及目标检测技术领域，尤其涉及一种军用飞机的FasterRCNN目标检测算法。背景技术[0002]在目标检测与识别技术的发展历程中，针对飞机目标的检测与识别的研究一直是学术热点。而遥感影像的特点使得目标检测与识别在对其进行检测与识别时的难度较大，检测结果远不如对自然照片的检测与识别精确。早期针对遥感影像中的目标检测的主要任务是排除影像复杂背景的干扰，设计有效的特征提取方法，实现对目标的检测与识别。随着近年来深度学习概念的提出，目标检测从传统的图像处理方法到现如今的RCNN系列、YOLO系列等方法，检测速度和精度都达到了新的高度，也为针对遥感影像的目标检测与识别带来了发展的契机。[0003]2016年任少卿等人在已有的目标检测算法的基础上，提出FasterRCNN目标检测算法。区别于传统检测算法，FasterRCNN将卷积神经网络用于候选区域的生成，是一个可以生成高质量候选区域的区域推荐网络(RegionProposalNetwork,RPN)，RPN将原来的外部候选区域推荐用卷积神经网络代替，计算效率得到极大的提升。FasterRCNN集成了区域推荐，特征金字塔以及锚框等思想，在FastRCNN基础上形成了完整的端到端网络，进一步优化了卷积神经网络输出的特征并进行共享，候选区域的生成与检测的融合使网络参数得到进一步共享，减少了运算量，而且网络的一体化使得模型可以在GPU上运行，在保证精度的同时大大提高了速度。经典FasterRCNN目标检测框架如图1所示。经典的FasterRCNN检测框架(RenS,HeK,GirshickR,etal.FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks[J].IEEETransactionsonPatternAnalysisandMachineIntel