针对红外遥感船只检测领域存在的硬件存储资源和功耗的限制,以及目标检测输出边界矩形框形式结果不够精细的问题,提出了一种轻量化且具有像素级输出的分割网络TRS-Net。将图像分割的编码-解码结构用于船只检测,以获得像素级的输出;将32 bit的浮点型参数二值化(目的是压缩网络模型的大小),提出了BS-Net;针对BS-Net带来的检测精度低的问题,引入残差连接,提出了BRS-Net;根据神经网络稀疏性特点引入参数三元化,提出了TS-Net;为进一步提升检测效果,将TS-Net改进成TRS-Net。采用实验室自主研制的长波红外相机进行成像实验,获取红外船只图片并制作数据集,对4种网络的结果进行对比分析。结果表明:TRS-Net检测的精确率为88.73%,召回率为83.34%,F1-score为85.95%,交并比为75.36%,模型大小压缩为原先的1/16。TRS-Net对红外船只的实时检测具有一定的工程应用价值。

针对遥感建筑物实时检测中深度卷积网络资源消耗大和硬件移植难的问题,提出一种基于二值与浮点数混用方法的语义分割网络MBU-Net。通过对FU-Net网络全局权重进行二值化处理来压缩模型大小,并将占少量参数的网络输出层权重替换成浮点型(MBU-Net),解决了全局二值网络(GBU-Net)检测精度差、训练缓慢的问题。在QuickBird卫星遥感数据集上进行实验,MBU-Net的像素准确率为82.33%,F1分数(召回率和精确率的调和平均数)为73.15%;相比于FU-Net,MBU-Net在保证检测精度的前提下,模型大小大幅压缩,检测速度提升了6.29倍,功耗降为37.78%,且优于其他同类方法(Deeplab、ENet),对遥感建筑物实时检测具有重要的实际工程价值。