針對航母甲板面艦載機密集易遮擋,艦載機目標難以檢測,且檢測效果易受光照條件和目標尺度影響的問題,提出了一種改進的更快的區(qū)域卷積神經(jīng)網(wǎng)絡(luò)（Faster R-CNN）艦載機目標檢測方法。該方法設(shè)計了帶排斥損失策略的損失函數(shù),并結(jié)合多尺度訓練,利用實驗室條件下采集的圖片對深度卷積神經(jīng)網(wǎng)絡(luò)進行訓練并測試。測試實驗顯示,相對于原始Faster R-CNN檢測模型,改進后的模型對遮擋艦載機目標具有良好的檢測效果,召回率提高了7個百分點,精確率提高了6個百分點。實驗結(jié)果表明,所提的改進方法能夠自動全面地提取艦載機目標特征,解決了遮擋艦載機目標的檢測問題,檢測精度和速度均能夠滿足實際需要,且在不同的光照條件和目標尺度下適應(yīng)性強,魯棒性較高。 

【文章來源】：計算機應(yīng)用. 2020,40(05)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

Faster R-CNN算法結(jié)構(gòu)

RPN結(jié)構(gòu)

針對Faster R-CNN在遮擋目標檢測方面存在的問題，受磁鐵吸引和排斥的特性啟發(fā)，提出了排斥損失（Repulsion Loss,RepLoss)[11]。在排斥損失中，每個預(yù)測框不僅要求其接近其真實目標，而且要求遠離其他目標的真實區(qū)域以及預(yù)測框[12]，即RepLoss邊界回歸量由兩個因素組成：目標的引力和其他周圍目標的斥力。如圖3中，當預(yù)測框平移到B是將會給予額外的懲罰，因此，RepLoss可以有效防止預(yù)測框移動到周圍相鄰的遮擋目標上，使得檢測模型對遮擋目標更加魯棒。本文中定義排斥損失如下：


本文編號：3441182