南京理工大学计算机科学与工程学院，江苏 南京 210094
针对光学遥感图像飞机检测任务中超大图像尺寸、小目标检测、复杂背景干扰等问题，提出一种轻量化特征提取网络与注意力机制融合的改进型Faster R-CNN飞机检测算法。通过删去对检测小目标冗余的深层特征层，所提算法对小目标的检测能力得到有效提升，且网络参数量减少38.4%，实现了轻量化处理，推理速度也有显著提升；为强化特征提取能力、弱化背景干扰，创造性地仅在特征提取网络的主干部分引入卷积块注意力模块，有效增加模型对飞机目标的检测能力；在测试推理阶段，采用中线单帧预测后处理方式，对重叠区域内的飞机目标进行单帧预测，避免重复推理、预测结果不一致现象。实验证明，改进后的算法在光学遥感数据集上的mF1分数比改进前算法提升3.5%，最终达到88.97。
遥感 飞机检测 注意力机制 轻量化 遥感图像 激光与光电子学进展
2023, 60(12): 1228007
1 郑州大学,a.计算机与人工智能学院
2 郑州大学,b.信息工程学院
3 郑州大学,c.电气工程学院, 郑州 450000
针对尺度多样化且目标密集的飞机遥感影像存在检测准确度较低和模型复杂不易部署的问题, 提出一种基于改进YOLOv4的遥感飞机目标检测模型。采用K-means++算法对目标样本进行锚定框优化, 提高先验框与目标异物的尺寸匹配度, 减少漏检率; 在损失函数中引入focal loss以降低简单负样本在训练过程中所占权重; 融合卷积核剪枝与层间剪枝对卷积核和批量归一化BN层进行稀疏训练, 简化网络结构并降低参数量。经实验, 改进后的YOLOv4异物检测算法在UCAS-AOD和RSOD公共遥感数据集上mAP达到92.23%, 检测速度提高至130.24 帧/s, 有利于实际工业场景中遥感影像飞机目标的快速检测。
遥感影像 飞机检测 剪枝算法 remote sensing image aircraft detection YOLOv4 YOLOv4 focal loss focal loss pruning algorithm
1 火箭军工程大学核工程学院, 西安 710000
2 中国人民解放军96882部队, 江西 赣州 341000
针对SAR图像数据获取困难的问题, 提出一种基于单幅图像训练的多尺度生成式对抗网络, 并应用于SAR飞机图像的增广。由于原始的生成式对抗网络设置单一尺度卷积核, 仅获得图像在固定感受野下的特征分布, 因此, 在对抗网络中融入多尺度分组卷积, 可以从不同尺度挖掘图像的分布特征, 增加生成图像的细节信息, 其结果是通过训练得到400幅新的SAR飞机图像样本, 并使用Faster R-CNN以及图像质量评价指标对增广数据集进行验证。实验结果表明: 生成图像的质量评价指标满足图像检测的需求; 使用Faster R-CNN算法结合生成式对抗网络数据增广使得平均检测精度由73.5%提升至77.6%。
SAR图像 飞机检测 数据增广 改进SinGAN SAR image aircraft detection data augmentation improved SinGAN Faster R-CNN Faster R-CNN
1 宁夏大学信息工程学院, 宁夏 银川 750021
2 中国民用航空西北地区空中交通管理局宁夏分局, 宁夏 银川 750009
小目标、飞机相互遮挡等难以检测的问题,对飞机检测的准确性及实时性提出很大的挑战。将实时性较高的YOLO v3算法应用到机场场面飞机检测领域,并提出两点改进:将骨干网络中的卷积层替换为空洞卷积,保持较高分辨率及较大感受野,提高模型对小目标检测的准确率;通过线性衰减置信得分的方式,对非极大值抑制(NMS)算法进行优化,以提升模型对被遮挡飞机的检测能力。结果表明,改进后的YOLO v3能够较好地检测小目标和遮挡飞机,且在保证实时性的前提下,将检测准确率从72.3%提高到83.7%。
图像处理 场面飞机检测 YOLO v3 空洞卷积 非极大抑制算法 激光与光电子学进展
2019, 56(19): 191003
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
提出了一种特征融合结合软判决的飞机检测方法。以区域卷积神经网络为基本框架,依次采用L2范数归一化、特征连接、尺度缩放和特征降维来融合多层特征。为了降低网络在目标高度重叠时的漏检率,引入软判决来改进传统的非极大值抑制方法。实验结果表明,所提方法能够准确快速地检测到飞机,得到检测率为94.25%、虚警率为5.5%、平均运行时间为0.16 s的实验结果。与现有的其他检测方法相比,所提方法的各项指标均得到显著提升。
图像处理 飞机检测 特征融合 软判决 区域卷积神经网络
空军航空大学数字地球实验室, 吉林 长春 130000
针对传统飞机目标检测算法和现有机器学习检测算法存在的问题,提出了遥感影像中的一种有效飞机检测概念;在认知模型下使用基于深度学习的全卷积检测和分割网络,设计了一种有效飞机目标检测系统并对其进行了仿真;构建了一种检测认知模型,并设计了各模块的功能。实验结果证明了该系统的有效性,该系统为开展目标智能检测提供了一种全新的思路和方法。
成像系统 有效飞机检测 深度学习 认知模型 遥感影像 图像分割
空军工程大学航空航天工程学院, 陕西 西安 710038
针对传统飞机检测方法准确率低、虚警率高、速度慢等问题, 提出一种全卷积神经网络多层特征融合的飞机快速检测方法。将浅层和深层的特征经过采样后在同一尺度进行融合, 以缓解由于深层特征图维度过低造成的对小目标表达不足的问题；修改区域提取时的选框尺寸以适应实际图像中飞机的尺寸特征；用卷积层代替全连接层以减少网络参数并适应不同大小的输入图像；复用区域提取网络和检测网络的卷积层和学习的特征参数以保证检测的高效性。仿真结果表明, 与典型的飞机检测方法相比, 所提方法在测试集上取得了更高的准确率和更低的虚警率, 同时大大加快了检测速度。
机器视觉 飞机检测 全卷积神经网络 浅层和深层特征 特征融合
1 哈尔滨理工大学, 测控技术与通信工程学院, 哈尔滨 150080
2 哈尔滨理工大学, 电气与电子工程学院, 哈尔滨 150080
提出一种CNN的遥感图像飞机检测的方法。首先获得预训练好的CNN, 然后通过参数迁移获得五层卷积层模型参数, 接着利用遥感图像对第五层卷积层进行微调获得一个特征提取器。将特征提取器用于提取遥感图像训练集的深度特征, 训练可变形部件检测模型。实验表明, 提出的方法大大提高了遥感图像飞机目标检测精度, 准确率达96%以上。
遥感图像 卷积神经网络 迁移学习 微调 飞机检测 remote sensing image convolutional neural network transfer learning finetune airplane detection
1 偏振光成像探测技术安徽省重点实验室，安徽合肥 230031
2 安徽大学电气工程与自动化学院，安徽合肥 230601
3 安徽水利水电职业技术学院电子信息工程系，安徽合肥 231603
钛合金和碳纤维材料因其优良的性能，在飞机的结构材料中被大量使用。针对飞机红外偏振探测的需求，以钛合金板、碳纤维板以及喷涂红外伪装涂料的上述两种目标板为实验样品，开展了红外偏振光谱探测实验，结果表明，在 8～14 .m热红外波段 4种材料样本的偏振度随观测角度的增大而增大、随波长的变化无明显规律，普通红外伪装涂料无法提供偏振伪装。
红外偏振 伪装涂层 飞机检测 infrared polarization camouflage coating aircraft detection
1 西南交通大学 信号与信息处理四川省重点实验室, 成都 610031
2 北京遥感信息研究所, 北京 100192
为解决当前遥感图像飞机检测方法在复杂背景下准确率低, 实现旋转不变困难的问题, 结合图像稀疏表示原理, 提出一种基于稀疏表示的飞机检测算法.该算法首先利用飞机是刚性目标且具有明显几何外观的特点, 构建飞机几何原子库; 然后建立飞机轮廓几何逼近的最优化方程, 在稀疏表示原理框架下, 得到飞机轮廓最优的几何部件组合; 最后, 以星型结构的部件模型为框架, 生成待检测图像的目标显著图并根据显著图定位出飞机.实验结果表明, 稀疏表示方法能自适应选取飞机部件, 部件数目较少且不易受光照、颜色和复杂背景的影响.与现有算法相比, 本文算法准确率达90%以上, 检测速度有较大的提高.
模式识别 计算机视觉 遥感图像 飞机检测 刚性目标 轮廓稀疏表示 几何部件 部件模型 Pattern recognition Computer vision Remote sensing image Aircraft detection Rigid object Sparse representation of profile Geometric parts Part-based model
