基于深度残差网络与SV编码的飞机遥感图像检测方法.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CN108830172A(43)申请公布日2018.11.16(21)申请号201810511422.3(22)申请日2018.05.24(71)申请人天津大学地址300072天津市南开区卫津路92号(72)发明人杨嘉琛满家宝(74)专利代理机构天津市北洋有限责任专利代理事务所12201代理人程毓英(51)Int.Cl.G06K9/00(2006.01)G06K9/46(2006.01)G06K9/62(2006.01)权利要求书1页说明书4页附图1页(54)发明名称基于深度残差网络与SV编码的飞机遥感图像检测方法(57)摘要本发明涉及一种基于深度残差网络与SV编码的飞机遥感图像检测方法，包括下列步骤：建立基于caffe神经网络的检测框架，保留ResNet中的conv1,conv2_x,conv3_x和conv4_x，丢弃conv5_x，为了将多个级别的featuremap整合到相同的尺寸，对shallower特性进行分类，使用最大池化层来映射；采用利用HOG描述器进行特征描述，使用SV编码对原始HOG特征进行编码，以获得高维稀疏向量；进行模型权重初始化与初步训练，得到模型a；收集飞机遥感图像，利用标注工具标出飞机所在位置，完成训练集与测试集；利用训练集训练模型a，微调模型权重，得到最终检测模型b。CN108830172ACN108830172A权利要求书1/1页1.一种基于深度残差网络与SV编码的飞机遥感图像检测方法，包括下列步骤：(1)建立基于caffe神经网络的检测框架，保留ResNet中的conv1,conv2_x,conv3_x和conv4_x，丢弃conv5_x，为了将多个级别的featuremap整合到相同的尺寸，对shallower特性进行分类，使用最大池化层来映射，应用局部响应规范化(LRN)方法在多级特征图上增强其生成性；(2)采用利用HOG描述器进行特征描述，使用SV编码对原始HOG特征进行编码，以获得高维稀疏向量；(3)基于ImageNet图片集进行模型权重初始化与初步训练，得到模型a；(4)收集飞机遥感图像，利用标注工具标出飞机所在位置，完成训练集与测试集；(5)利用训练集训练模型a，微调模型权重，训练时采用约10-3的学习速率，进行端到端迭代训练，得到最终检测模型b。2CN108830172A说明书1/4页基于深度残差网络与SV编码的飞机遥感图像检测方法技术领域[0001]本发明属于计算机视觉领域，涉及目标检测识别算法在飞机遥感图像检测上的应用。背景技术[0002]随着遥感技术的发展，飞机遥感影像探测已成为一个具有吸引力的研究课题，在动态机场监测和军事侦察等各种应用中发挥着至关重要的作用。虽然在自然图像中物体检测的任务已经取得了显著的进展，但由于复杂背景、噪声和光照等因素的不同，在遥感图像中，很少有研究能有效地解决飞机探测的难题。[0003]传统的遥感图像目标检测体系结构是基于人工设计的特征。Sun等人(2011)提出了一种基于空间稀疏编码bag-of-words(BOW)(SSCBOW)模型的检测框架。Zhang等人(2013)通过编码旋转部件和物体的特征来探测飞机。Shi等人(2014)利用异常探测器和局部形状特征探测高分辨率光学图像中的舰船。Zhao等人(2017)采用了一种名为聚合通道特征(ACF)的信道特性，采用了快速特征金字塔算法来检测遥感图像中的飞机。不幸的是，很少有传统的方法可以在实际系统中使用，因为很难通过人工识别从复杂多样的背景中探测飞机的特性。[0004]最近，深度学习模型，特别是卷积神经网络(CNN)，在许多挑战任务中都取得了巨大的成功，包括在自然图像中的目标检测。基于区域的卷积神经网络(R-CNN)(Girshicketal.2014)率先探索CNN的目标检测。它首先使用选择性搜索(VanDeSandeetal.2011)生成区域建议，然后使用CNN捕获每个区域提议的目标特征。fastR-CNN(Girshick2015)提出在一个训练阶段使用多任务损失训练网络。Ren等人(Renetal.2015)提出了一种创新的模型，称为fasterR-CNN，其架构将区域建议和检测合并到一个统一的网络中。这项工作提供了一个名为区域建议网络(RPN)的网络，该网络与检测网络共享全图像卷积特性，从而实现了几乎不含成本的区域建议。在(Heetal.2016)中，他们证明使用深度残差网络(ResNet)可以进一步提高基于基线的R-CNN系统的性能。值得注意的是，ResNet包含所谓的残差映射，这使得深层结构更易于训练。近年来，深度学习模型也证明了其在遥感图像中对目标检测的优越性。Diao等人(2016)提出了一种基于显