基于特征融合与软判决的遥感图像飞机检测

朱明明; 许悦雷; 马时平; 李帅; 马红强

doi:doi:10.3788/AOS201939.0210001

光学学报, 2019, 39 (2): 0210001, 网络出版: 2019-05-10

基于特征融合与软判决的遥感图像飞机检测下载： 1010次

Airplane Detection Based on Feature Fusion and Soft Decision in Remote Sensing Images

朱明明 ^1,*许悦雷 ²马时平 ¹李帅 ¹马红强 ¹

作者单位

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

图 & 表

图 1. Faster R-CNN的结构

Fig. 1. Architecture of Faster R-CNN

下载图片查看原文

图 2. 区域建议网络的结构

Fig. 2. Structure of RPN

下载图片查看原文

图 3. 特征融合的结构

Fig. 3. Structure of feature fusion

下载图片查看原文

图 4. 非极大值抑制

Fig. 4. Non-maximum suppression

下载图片查看原文

图 5. 漏检结果

Fig. 5. Results of omission detection

下载图片查看原文

图 6. 数据示例。(a)训练数据; (b)测试数据

Fig. 6. Examples of data. (a) Training data; (b) test data

下载图片查看原文

图 7. 迁移学习

Fig. 7. Transfer learning

下载图片查看原文

图 8. 不同方法的网络检测结果。(a)第5层的结果; (b)融合3,4,5层的结果

Fig. 8. Network detection results by different methods. (a) Results of 5th layer; (b) results after fusion of 3, 4, 5 layers

下载图片查看原文

图 9. NMS算法改进前后的飞机检测结果。(a)传统NMS算法; (b)改进NMS算法

Fig. 9. Airplane detection results before and after improvement of NMS algorithm. (a) Traditional NMS; (b) improved NMS

下载图片查看原文

表 1特征融合的结果

Table1. Results of feature fusion

Layer 2	Layer 3	Layer 4	Layer 5	DR /%
			√	86.28
		√	√	90.30
	√	√	√	91.90
√	√	√	√	91.90

查看原文

表 2不同飞机检测方法的结果对比

Table2. Comparison among airplane detection results by different methods

Method	DR /%	FAR /%	Average running time /s
Ref. [5]	79.54	22.52	171.25
Ref. [6]	84.25	17.66	6.41
Faster R-CNN	86.28	8.15	0.15
Proposed	94.25	5.50	0.16

查看原文

朱明明, 许悦雷, 马时平, 李帅, 马红强. 基于特征融合与软判决的遥感图像飞机检测[J]. 光学学报, 2019, 39(2): 0210001. Mingming Zhu, Yuelei Xu, Shiping Ma, Shuai Li, Hongqiang Ma. Airplane Detection Based on Feature Fusion and Soft Decision in Remote Sensing Images[J]. Acta Optica Sinica, 2019, 39(2): 0210001.

基于特征融合与软判决的遥感图像飞机检测下载： 1010次

图 1. Faster R-CNN的结构

Fig. 1. Architecture of Faster R-CNN

图 2. 区域建议网络的结构

Fig. 2. Structure of RPN

图 3. 特征融合的结构

Fig. 3. Structure of feature fusion

图 4. 非极大值抑制

Fig. 4. Non-maximum suppression

图 5. 漏检结果

Fig. 5. Results of omission detection

图 6. 数据示例。(a)训练数据; (b)测试数据

Fig. 6. Examples of data. (a) Training data; (b) test data

图 7. 迁移学习

Fig. 7. Transfer learning

图 8. 不同方法的网络检测结果。(a)第5层的结果; (b)融合3,4,5层的结果

Fig. 8. Network detection results by different methods. (a) Results of 5th layer; (b) results after fusion of 3, 4, 5 layers

图 9. NMS算法改进前后的飞机检测结果。(a)传统NMS算法; (b)改进NMS算法

Fig. 9. Airplane detection results before and after improvement of NMS algorithm. (a) Traditional NMS; (b) improved NMS

表 1特征融合的结果

Table1. Results of feature fusion

表 2不同飞机检测方法的结果对比

Table2. Comparison among airplane detection results by different methods

关于本站 Cookie 的使用提示

全站搜索

基于特征融合与软判决的遥感图像飞机检测 下载： 1010次

图 1. Faster R-CNN的结构

Fig. 1. Architecture of Faster R-CNN

图 2. 区域建议网络的结构

Fig. 2. Structure of RPN

图 3. 特征融合的结构

Fig. 3. Structure of feature fusion

图 4. 非极大值抑制

Fig. 4. Non-maximum suppression

图 5. 漏检结果

Fig. 5. Results of omission detection

图 6. 数据示例。(a)训练数据; (b)测试数据

Fig. 6. Examples of data. (a) Training data; (b) test data

图 7. 迁移学习

Fig. 7. Transfer learning

图 8. 不同方法的网络检测结果。(a)第5层的结果; (b)融合3,4,5层的结果

Fig. 8. Network detection results by different methods. (a) Results of 5th layer; (b) results after fusion of 3, 4, 5 layers

图 9. NMS算法改进前后的飞机检测结果。(a)传统NMS算法; (b)改进NMS算法

Fig. 9. Airplane detection results before and after improvement of NMS algorithm. (a) Traditional NMS; (b) improved NMS

表 1特征融合的结果

Table1. Results of feature fusion

表 2不同飞机检测方法的结果对比

Table2. Comparison among airplane detection results by different methods

相关论文

相关资讯

关于本站 Cookie 的使用提示

全站搜索

基于特征融合与软判决的遥感图像飞机检测下载： 1010次