基于優化Mask-RCNN算法的遙感飛機目標檢測

葛海婷,楊鐵梅

(太原科技大學 電子信息工程學院,太原 030024)

遙感是一種遠距離的探測技術,近年來衛星技術也愈發成熟,獲得的觀測數據也因遙感技術的成熟呈指數性增長,圖像質量也在不斷提升,高質量以及大規模的遙感數據正越來越多地進入人們的視野,并在多方面都發揮著越來越重要的作用,這使得人們對遙感圖像處理技術的研究也愈發迫切。而在整個的遙感影像檢測體系之中,飛機影像的檢測一直是重要的研究目標[1]。

在過去,計算機的性能有限,傳統的方法是采用手工設計精巧的特征以及分類器的方法進行數據訓練、測試。比如圓周頻率濾波法、邊緣提取法、稀疏表示法等,但是這類傳統的算法檢測依靠人工設計的特征,過程復雜,耗費時間長,且檢測結果精度不高,算法的抗干擾能力差,且一般適用于背景簡單,有明顯特征的圖像,不適用于遙感影像的目標檢測。

2014年,Girshick 等[2]提出R-CNN 算法,將卷積神經網絡的概念引入到目標檢測領域。而深度學習源于神經網絡的研究,含多個隱藏層的多層感知器就是一種深度學習結構,主要是通過堆疊的深層的網絡結構,借助同類數據進行訓練,使得整個網絡獲得對圖像內容進行理解、判斷和預測的功能,具備較強的學習能力,能夠自動的準確高效的提取目標檢測物的特征。基于深度學習的檢測方法一般分為兩種:一種是基于候選區域的方法,代表性的檢測方法有Fast-RCNN[3]、Faster-RCNN[4]、Mask-RCNN[5],這類方法的運算量偏大,耗時長,但檢測精度好;另—種是基于回歸思想的方法,代表性的檢測方法有YOLO[6]系列、SSD[7]等,這類檢測方法的實時性會更好[8]。……