卷積神經(jīng)網(wǎng)絡(luò)下的遙感圖像目標(biāo)檢測技術(shù)

栗華杰 李格 蘇煉 蔡繼駒

（西南科技大學(xué) 四川省綿陽市 621000）

航空遙感圖像作為一種常見的遙感圖像之一，具有分辨率高、尺度多元性強、排列密集、目標(biāo)方向多樣化等特點，其成像方式主要以航空攝影成像方式為主。通過將卷積神經(jīng)網(wǎng)絡(luò)算法與遙感圖像目標(biāo)檢測技術(shù)進行充分結(jié)合，不僅可以提高網(wǎng)絡(luò)學(xué)習(xí)能力，還能提高遙感數(shù)據(jù)處理效率和效果，為實現(xiàn)遙感圖像數(shù)據(jù)集的優(yōu)化發(fā)揮出重要作用。因此，在卷積神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用背景下，如何科學(xué)應(yīng)用遙感圖像目標(biāo)檢測技術(shù)是技術(shù)人員必須思考和解決的問題。

1 卷積神經(jīng)網(wǎng)絡(luò)

卷積神經(jīng)網(wǎng)絡(luò)（英文簡稱為“CNN”），主要是由Wiesel 通過研究貓的視覺皮層的基礎(chǔ)上提出的，后來，由提出了一種新的概念，即：“神經(jīng)認知機”，并將其作為一種卷積神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)方式。由此可見，卷積神經(jīng)網(wǎng)絡(luò)屬于一種新型、先進的深度學(xué)習(xí)模型，主要是在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上發(fā)展而來的，是一種深度學(xué)習(xí)法。

1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

對于卷積神經(jīng)網(wǎng)絡(luò)而言，其結(jié)構(gòu)主要由以下四個部分組成，分別是卷積層、全連接層、輸出層以及池化層。其中，卷積層主要是指通過利用卷積運算方式[1]，對已輸入的圖像的特征進行提取。全連接層主要集中分布于網(wǎng)絡(luò)結(jié)構(gòu)的底部，其個數(shù)較多，通過利用全連接層，可以對已得到的二維特征圖特征進行提取和分類，在此基礎(chǔ)上，對對其進行轉(zhuǎn)化處理，使其轉(zhuǎn)化為具有一維特征的向量。池化層主要集中分布于卷積層的后方[2]，其功能主要是指采用降采處理的方式，對輸入圖像特征進行統(tǒng)一化處理，以保證運算過程的簡潔性，從而提高運算效率和效果。池化層在進行運算的過程中，重點引入了激活函數(shù)，通過利用這一函數(shù)，在保證圖像特征數(shù)量不變的情況下，可以實現(xiàn)對多個特征圖的降維處理，為進一步提高網(wǎng)絡(luò)結(jié)構(gòu)的非線性表達能力發(fā)揮出重要作用。比較具有代表性的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)有兩種[3]，一種是LeNet-5，另一種是AlexNet。隨著人們對其研究內(nèi)容的不斷加深，具有深層次的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)不斷涌現(xiàn)，這些結(jié)構(gòu)包含ZFNet 網(wǎng)絡(luò)結(jié)構(gòu)、ResNet 網(wǎng)絡(luò)結(jié)構(gòu)等。

1.2 卷積神經(jīng)網(wǎng)絡(luò)特點

卷積神經(jīng)網(wǎng)絡(luò)具有以下三大特點：

（1）稀疏連接。稀疏連接主要集中體現(xiàn)在卷積結(jié)構(gòu)中，通過采用局部連接方式，可以有效地簡化計算流程，縮小整個計算量，從而最大限度地提高卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)模型處理效率和效果。

（2）降采樣。降采樣主要是指主要集中體現(xiàn)在池化層中，通過借助池化層，采用降采處理的方式[4]，確保網(wǎng)絡(luò)結(jié)構(gòu)具有強大的記憶功能，確保特征圖像在扭曲或者縮放處理中始終保持不變形狀態(tài)，這樣一來，為降低運算過程的繁瑣性和復(fù)雜性創(chuàng)造良好的條件。

（3）權(quán)值共享。權(quán)值共享主要是指通過采用卷積操作的方式，對所有卷積核與特征圖像的集中化處理，從而自動形成多種新特征圖像，而新特征圖像內(nèi)部的各個像素點均實現(xiàn)了對同樣權(quán)重值的共享，確保卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)具有強大的平移不變功能，為最大限度地降低計算量，提高計算效率和效果打下堅實的基礎(chǔ)。

總之，通過充分利用以上三大特點，可以從平移、縮放、扭曲三個環(huán)節(jié)出發(fā)，實現(xiàn)對圖像特征的隨意處理。

2 卷積神經(jīng)網(wǎng)絡(luò)下的遙感圖像目標(biāo)檢測

2.1 遙感圖像目標(biāo)檢測流程

在卷積神經(jīng)網(wǎng)絡(luò)算法 的應(yīng)用背景下， 遙感圖像目標(biāo)檢測流程主要體現(xiàn)在以下幾個方面：

（1）輸入圖像，通過對已輸入 圖像進行剪裁、縮放、翻轉(zhuǎn)等一系列預(yù)處理，提高數(shù)據(jù)增強效果；

（2）通過借助CNN 模型，完成對圖像特征的快速提取和科學(xué)分類，為后期遙感圖像目標(biāo)檢測工作的有效落實提供重要的依據(jù)和參考。

（3） 最后，將最終的處理結(jié)果輸出。

2.2 遙感圖像目標(biāo)檢測算法介紹

遙感圖像目標(biāo)檢測算法 主要包含以下兩種技術(shù)：

（1）雙步目標(biāo)檢測算法。該算法將遙感圖像目標(biāo)檢測過程劃分為兩個不同階段：首先，自動生成若干個的候選區(qū)域；其次，提取候選區(qū)域相關(guān)特征，并對其進行直接分類和檢測，

（2）單步目標(biāo)檢算法。該算法在具體的運用中， 省掉了對候選區(qū)域特征的提取操作，僅僅對圖像特征進行直接分類和檢測即可，極大地提高了遙感圖像目標(biāo)檢測效率和效果。

通常情況下，雙步目標(biāo)檢測算法具有準(zhǔn)確性高、處理速度慢特征，而單步目標(biāo)檢測算法具有處理速度快，準(zhǔn)確性低等特征，而遙感圖像在具體的檢測中，通常對準(zhǔn)確度提出了更高的要求 ，因此，本文在對遙感圖像目標(biāo)檢測進行研究的過程中，主要以雙步目標(biāo)檢測算法應(yīng)用為主。

2.3 FasterR-CNN算法及實現(xiàn)

FasterR-RCNN 算法作為一種常用的識別檢測算算法，主要由以下兩個部分組成，分別是RPN 和FastR-CNN，其中，RPN 屬于區(qū)域性生成網(wǎng)絡(luò)，主要用于對遙感圖像目標(biāo)的識別以及具體位置的確定；FastR-CNN 屬于遙感圖像目標(biāo)識別網(wǎng)絡(luò)[5]，主要用于對圖像尺寸等參數(shù)信息的識別以及遙感圖像目標(biāo)的分類。通過利用FasterR-RCNN 算法對遙感圖像目標(biāo)進行識別、檢測的過程中，主要涉及到了以下四個操作步驟：

（1）通過提取圖片特征，并生成新的特征圖像；

（2）利用RPN，對新生成的候選區(qū)域框進行處理；

表1：遙感圖像目標(biāo)檢測結(jié)果統(tǒng)計

表2：不同模型的識別準(zhǔn)確率

（3）利用池化層，對特征圖進行綜合分析，并根據(jù)proposals信息數(shù)據(jù)，得到遙感圖像目標(biāo)相對位置，然后，將最終的分析結(jié)果保存于全連接層中；

（4）借助全連接層，對特征圖像進行分類判別，在此基礎(chǔ)上，使用矩形框，對遙感圖像目標(biāo)位置進行精確標(biāo)明[6]。

此外，為了確保RPN 和FastR-CNN 能夠結(jié)合并形成網(wǎng)絡(luò)共享卷積層，需要從以下四個階段算法入手，完成對相關(guān)圖像特征的精確化計算：

（1）利用預(yù)訓(xùn)練網(wǎng)絡(luò)模型，對RPN 模型進行訓(xùn)練。

（2）通過利用已獲得的RPN 輸出區(qū)域，對FastR-RCNN 網(wǎng)絡(luò)進行訓(xùn)練。

（3）利用已訓(xùn)練好的FastR-RCNN 網(wǎng)絡(luò)，采用初始化訓(xùn)練方式，對RPN 網(wǎng)絡(luò)進行初步訓(xùn)練，在進行訓(xùn)練的過程中，要盡可能確保卷積層始終保持相同，僅僅調(diào)整和控制RPN 網(wǎng)絡(luò)獨有的相關(guān)參數(shù)。

（4）在確保共享卷積層相同的情況下，利用已得到的區(qū)域，采用微調(diào)全連接層相關(guān)參數(shù)的方式，對FastR-CNN 網(wǎng)絡(luò)進行優(yōu)化和完善。

總之，通過落實以上四個步驟，不僅可以提高對RPN 和FastR-CNN 的訓(xùn)練效果，還能更好地共享提高卷積層參數(shù)，為進一步提高相關(guān)參數(shù)的利用率打下堅實的基礎(chǔ)。

2.3.1 遙感目標(biāo)檢測實驗

在本次實驗中，為了更好地驗證遙感圖像目標(biāo)檢測技術(shù)的可靠性和有效性，現(xiàn)采用正樣本集，采用隨機劃分的方式，將樣本集劃分為以下三個部分，分別是訓(xùn)練集、驗證集和測試集，這三個組分部分的比例是2:1:2，此外，還要使用在Python3.5 軟件，完成對FasterR-CNN 算法的編寫，并利用TensorFlow 相關(guān)技術(shù)，完成對模型的構(gòu)建，然后，利用準(zhǔn)確率均值（mAP）對遙感目標(biāo)檢測實驗過程進行評價，最終所測得的檢測結(jié)果如表1 所示。

2.3.2 實驗結(jié)果分析

從表中的數(shù)據(jù)可以看出，本文所提出的卷積神經(jīng)網(wǎng)絡(luò)模型可以提高遙感圖像檢測結(jié)果準(zhǔn)確率，使其準(zhǔn)確率提升至89.28%，遠遠高出傳統(tǒng)遙感算法所達到的準(zhǔn)確率[7]。不同模型的識別準(zhǔn)確率如表2 所示。從表中的數(shù)據(jù)可以看出，通過利用FasterR-CNN 算法，可以保證目標(biāo)識別與檢測性能的穩(wěn)定性和良好性，因此，F(xiàn)asterRCNN 算法被視為高效的遙感圖像檢測方法。

3 結(jié)束語

綜上所述，在卷積神經(jīng)網(wǎng)絡(luò)算法的應(yīng)用背景下，以航空遙感圖像為主要研究對象，通過研究遙感圖像目標(biāo)檢測技術(shù)，根據(jù)遙感圖像成像特點，使用FasterR-RCNN 算法完成對目標(biāo)檢測框架的構(gòu)建，不斷提高遙感檢測數(shù)據(jù)集檢測結(jié)果準(zhǔn)確性，使得遙感檢測數(shù)據(jù)集檢測結(jié)果準(zhǔn)確率提升至89.28%，為進一步提高遙感數(shù)據(jù)處理效率和效果提供有力的保障。