如需要完整文档点击下方 "点击下载文档" 按钮
为了提高目标检测模型对遥感图像中排列密集、尺度不一的目标,特别是小目标的检测性能,提出了融合特征的深度学习遥感图像目标检测模型和方法。模型采用小规模的网络结构,以应对标记样本较少的情况,并提出了融合多级特征的策略获取更为有效的特征,使模型在不增加检测时间的同时,提高遥感图像中较为密集且大小不一的目标的检测精度。 模型中提出了一种新的后处理算法――分组融合剔除检测框算法,在剔除冗余检测框的同时微调检测框位置,使检测框对目标定位更精确,进一步提升检测精度。实验结果表明,所提模型在 UCAS-AOD 和 RSOD-? Dataset 数据集上检测飞机,精度比 Faster R-CNN 的结果提高了 4.2% 和 7.3% ,漏检率和误检率均有降低。 在 UCAS-AOD 数据集上检测更小的汽车目标, 所提模型比 Faster R-CNN 检测精度提高了 7. 9% , 漏检率下降了 5.91% ,误检率下降了 2.06% 。 和 FasterR-CNN 相比,所提的融合处理和检测框后处理算法使得模型针对复杂场景中多尺度密集目标和小目标取得了更高的检测性能。