目前基于CNN的方法已在高分辨率遙感影像目標(biāo)檢測工作中得到了應(yīng)用。對像海上船舶這種小型目標(biāo)的實時檢測是該方向研究的難點之一,其主要原因是基于CNN的小型目標(biāo)檢測方法通常伴隨較低的檢測效率,因此在實時的應(yīng)用中很難被采用。為此,本文提出了一種以圖像顯著性為依據(jù)的錨點篩選優(yōu)化方法。該方法充分考慮了海面目標(biāo)背景的獨特性,在對每個像素進行顯著性分析的同時,將特征映射中每個錨點對應(yīng)的接受域進行評分統(tǒng)計。通過顯著性機制的運用,使學(xué)習(xí)和檢測過程排除了大量的無效錨點,大幅減少了初始包圍窗的生成數(shù)量。這種優(yōu)化過程的主要優(yōu)勢在于它避免了在區(qū)域顯著性檢測時小型船舶目標(biāo)的流失,而且在訓(xùn)練過程中可以更好地控制正負樣本的比例,防止樣本不平衡的情況發(fā)生。實驗證實,本文提出的方法大幅提升了對離岸船舶目標(biāo)的檢測效率,并對基于CNN的兩級目標(biāo)檢測方法具有一定的通用性。 

【文章來源】：燕山大學(xué)學(xué)報. 2020,44(04)北大核心

【文章頁數(shù)】：7 頁

【部分圖文】：

SAS優(yōu)化的主要實現(xiàn)形式

式中,Fn+1i為特征映射中第i個錨點對應(yīng)的第n+1個維度的值(原特征映射共n個維度),ki為第i個錨點對應(yīng)的接受域的像素數(shù)。該設(shè)計的優(yōu)點是整個過程計算量小,在顯著性提取過程中,小目標(biāo)丟失的風(fēng)險小于視覺注意模型[25]和級聯(lián)反饋模型[26]。需要指出的是,在訓(xùn)練過程中,由于用于生成負樣本的大部分區(qū)域都已被排除,因而檢測器需要隨機選取一些無效錨點來生成負樣本。這樣,檢測器的訓(xùn)練過程中正樣本和負樣本的數(shù)量可以很容易地得到平衡,從而使檢測器性能得到少量優(yōu)化[27]。圖3 特征映射中錨點級顯著性評分過程

特征映射中錨點級顯著性評分過程

【參考文獻】：
期刊論文
[1]融合判別區(qū)域特征與標(biāo)簽傳播的顯著性目標(biāo)檢測[J]. 王明,崔冬,李剛,顧廣華.  燕山大學(xué)學(xué)報. 2019(05)



本文編號：3454687