基于特征融合的遥感图像舰船目标检测方法

针对常用的目标检测算法对遥感图像中的舰船目标进行检测时存在检测精度与实时性兼顾不佳的问题,提出了基于特征融合的遥感图像舰船目标检测算法来检测复杂场景下的多尺度舰船目标.该算法以多尺度单发射击检测框架为基础,增加反卷积特征融合模块和池化特征融合模块,增强网络特征提取的能力.同时设计聚焦分类损失函数来解决训练过程中正负样本失衡的问题.在高分遥感舰船目标数据集上的实验结果表明,所提方法能够有效地增强复杂场景下舰船目标的检测精度.此外,该算法对遥感图像中的模糊舰船目标的检测效果也优于多尺度单发射击检测框架.     

基于稀疏表示的可见光遥感图像飞机检测算法

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.     

增强小目标特征的多尺度光学遥感图像目标检测

针对光学遥感图像目标分布密集、尺度变化范围较大及小目标特征信息过少等造成目标检测精度不高、泛化能力差等问题,本文提出了一种增强小目标特征的多尺度神经网络（ESF-MNet）。首先在骨干网络中引入注意力模块构建出高效层注意力聚合结构,以增强特征提取能力;此外,在浅层特征图与颈部网络融合之前加入感受野增强模块,以捕获不同尺度的上下文信息。其次,使用GSConv构成颈部网络,减少网络层参数量,保持网络的特征提取能力,并通过基于内容感知的特征重组模块提高识别精度。最后,采用下采样率分别为4、8和16倍的三个下采样模块作为头部网络输入,来提高小目标的检测效果。为了证明该方法的有效性,在DOTA数据集和NWPU NHR-10数据集上进行实验,平均检测精度分别达78.6%和94.3%,计算复杂度为94.7 G,整体模型大小为26.2 M。该方法具备检测精度高、计算复杂度低、模型权重小等特点,能有效提高小目标的检测精度,进一步改善光学遥感图像小目标检测性能。     

基于中心点的遥感图像多方向舰船目标检测

针对目前基于深度学习的舰船目标斜框检测方法存在计算量大、效率低的问题,提出一种基于目标中心点的单阶段检测模型.由于舰船中心点不受舰船分布方向影响,模型主要思想是以目标中心点检测为基础,回归中心点处目标斜框的尺度和方向.首先设计特征提取网络,将卷积神经网络细节信息丰富的底层特征与语义信息丰富的高层特征融合起来形成特征图;然后将特征图输入到三个检测分支,分别预测目标中心点、中心点偏移值以及斜框的尺度与方向;设计组合损失函数对网络进行训练,并改进非极大值抑制算法以适应目标斜框检测的需要.在公开的SAR图像舰船目标检测数据集与光学遥感图像上进行了实验,实验结果表明,测试集平均准确率达0.906,检测精度与速度均优于其它检测模型,充分验证了所提算法的有效性.     

基于特征重组的遥感图像有向目标检测

针对遥感有向目标存在的检测问题,设计了一个基于改进Rotated RPN的网络,设计特征重组机制,通过加权使网络关注有效目标区域。使用新的有向框标注方法,避免在临界角度出现错位等问题。在检测头前端使用极化注意力模块,改善因为分类和回归任务所需特征不一致导致的性能下降问题。实验结果表明,该模型可以提高多类目标的检测精度。相较于基准Rotated RPN,该模型在Dior-R数据集上精度提升4.95%,在HRSC2016数据集上精度提升11.75%。     

背景高斯化的遥感图像目标检测

在假设单一地表遥感图像灰度起伏符合马尔可夫模型的条件下,得到了理想单一地表灰度起伏符合高斯分布的结果。将这一结果应用于遥感图像的目标检测,提出了一种新的基于背景高斯化的遥感图像目标检测方法。该方法首先将遥感图像进行高斯化处理,将其作为近似理想背景,然后将原图像与高斯化背景做差得到残差图,进而对残差图进行目标检测。由于目标本身的信息远离背景高斯化模型,因此在背景消减的过程中,目标信息得到了很好的保持,比在原图上进行目标检测性能得到了很大的提高。实验结果进一步验证了算法具有很好的检测性能。     

基于YOLOv4-tiny的遥感图像飞机目标检测技术研究

针对传统遥感图像飞机目标检测算法在复杂背景下存在检测准确度和检测召回率较低的问题,基于深度学习中YOLOv4-tiny提出一种遥感图像飞机目标检测算法.根据YOLOv3和YOLOv4的网络结构对YOLOv4-tiny的网络结构进行改进,将原算法中的CSP特征提取网络强化,使其特征提取能力增加;使用Mish激活函数替换原...     

基于特征融合与软判决的遥感图像飞机检测

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。     

特征增强SSD算法及其在遥感目标检测中的应用

为了提高对复杂场景下多尺度遥感目标的检测精度,提出了基于多尺度单发射击检测(SSD)的特征增强目标检测算法.首先对SSD的金字塔特征层中的浅层网络设计浅层特征增强模块,以提高浅层网络对小目标物体的特征提取能力;然后设计深层特征融合模块,替换SSD金字塔特征层中的深层网络,提高深层网络的特征提取能力;最后将提取的图像特征与不同纵横比的候选框进行匹配以执行不同尺度遥感图像目标检测与定位.在光学遥感图像数据集上的实验结果表明,该算法能够适应不同背景下的遥感目标检测,有效地提高了复杂场景下的遥感目标的检测精度.此外,在拓展实验中,文中算法对图像中的模糊目标的检测效果也优于SSD.     

基于IECM特征匹配的红外弱点目标快速检测算法

提出了一种新的复杂背景下低信噪比红外弱点目标检测算法。根据红外弱点目标在图像中的三维空间特征,从空间认知的角度出发,将三维的灰度分布特征转化为二维的等高线曲线特征,建立红外图像的等高线图(IECM)描述,利用图论中的树结构(等高线树)形式化地表达等高线的空间关系,在此基础上,给出弱点目标检测的等高线树检测准则,同时给出了等高线划分等级的选择方法。理论分析与实验结果表明,该算法具有良好的检测性能,且结构简单,利于硬件实时实现。在信噪比为1.4的情况下,对红外图像序列的检测概率为96.3%。     

基于嵌入式的遥感目标实时检测方法

当前基于深度学习的遥感图像目标检测方法因模型复杂、计算量大,难以部署在计算资源受限的卫星上进行实时在轨检测.针对该问题,提出一种基于嵌入式的轻量化遥感目标实时检测方法.该方法以YOLOv3-tiny为基础网络,首先通过精简网络与改进多尺度预测对网络结构进行优化,其次引入空间注意力模块以增强遥感目标的特征.实验结果表明,...     

一种提高可见光遥感图像黑极性舰船目标检出率的方法

针对遥感卫星和高空无人机在海上航拍的可见光遥感图像中黑极性舰船目标检出率低的问题,提出了一种基于暗原色先验和恒虚警率原理的舰船目标检测方法。这种方法先对目标图像进行预处理,得到其暗原色图(Dark Channel Image,DCI);再将DCI作为二维恒虚警(2-D CFAR)检测法的输入,以局部统计灰度均值和方差作为目标检测特征,通过选择合适的目标判定阈值及目标空间分布信息完成疑似目标定位;疑似目标集合可以有效地被舰船目标特征矢量进行检验,根据得到的结果判定虚警是否去除,最后得到最终目标检测结果。实验结果表明,该方法对于可见光遥感图像中的舰船目标有较为准确的检测效果,总检出率可达96.07%,并且对人眼视觉不易判别的黑极性目标有着类似“放大镜”的作用,对黑极性舰船目标的检出率可达86.71%,较大地提高了可见光遥感图像中黑极性舰船目标的检出率,对优化黑极性目标检测方法创新有一定的指导意义,也为暗原色先验原理的应用提供了新思路。     

基于多属性融合的高分辨率遥感图像云检测方法

针对全色CCD光学遥感卫星成像平台,提出了一种基于多属性融合的高分辨率图像云检测方法。首先根据云的物理特性和成像特性展开多属性分析,并提出了基于可分离度的特征选择准则来进行特征参量提取;然后针对两类样本的分布结构差异,结合LDA线性特征压缩算法,削减特征空间的维度;最后利用SVM分类器完成云检测。实验结果表明,该方法适用于高分辨率全色遥感图像的云检测,具有较高的检测概率和较低的虚警概率以及较高的算法执行效率。     

一种基于正负差图像的运动目标检测新方法

运动目标检测领域中现有的差图像法是利用绝对值差图像检测差图像上运动目标区域，用现有方法检测时易受噪声干扰，而且当摄像机有自运动时需要进行背景运动补偿。因此，提出一种新算法，即首先分别计算正差图像与负差图像，然后利用运动目标区域在正差图像与负差图像中的幅值、形状以及运动等信息的对称性对其进行检测，最后给出针对飞机尾焰序列图像进行检测的结果。实验结果表明：该方法可提高运动目标检测的可靠性与效率。