基于yolo算法进行改进的高效卫星图像目标检测算法.doc
《基于yolo算法进行改进的高效卫星图像目标检测算法.doc》由会员分享,可在线阅读,更多相关《基于yolo算法进行改进的高效卫星图像目标检测算法.doc(4页珍藏版)》请在三一文库上搜索。
1、基于yolo算法进行改进的高效卫星图像目标检测算法卫星图像是十分重要的资源,可以通过它计量国土资源,检测地面情况并且能高瞻远瞩的记录地表发生的变化。但由于卫星图像十分巨大而且其中的物体相对较小,利用卫星图像进行目标检测是充满挑战的工作,本文主要讲解了一篇基于yolo算法进行改进的高效卫星图像目标检测算法,主要针对高分辨率输入和密集小物体进行了优化。在大面积的图像中识别出一系列小物体是卫星图像处理的主要任务之一。近年来基于深度学习的目标检测算法有了很大的效率提升,但基于卫星图像的处理还存在这一系列问题。为了解决这一系列调整,研究人员在YOLO的基础上提出了一种两阶段的算法架构,不仅可以适应多尺度
2、的检测,同时达到了F10.8的结果,最后还探究了分辨率和物体大小对于检测的影响,并发现只需要五个像素的大小就可以实现目标检测。文章主要从深度学习对于卫星图像目标检测的缺陷出发,提出了改进的细粒度的目标检测网络结构。同时为了解决检测不变性的问题进行了大量的数据增强。1. 卫星图像目标检测存在的问题高分辨率的卫星图像和相对较小的图内物体使得卫星图像处理目前主要面临以下四个方面的挑战:空间范围较小:在卫星图像中,感兴趣的物体相对尺寸都很小而且常常聚拢在一起,与ImageNet数据集中大范围的显著物体大不相同。同时物体的分辨率主要由地面采样距离决定,它定义了每个像素对应的物理长度。通常情况下卫星运行的
3、高度是350km左右,最清晰的商用卫星图像可以达到30cm的GSD(每个像素对应30cm),而普通的数字卫星影响只能达到3-4m的分辨率了。所以对于车辆、船只这样的小物体来说可能只有10多个像素来描述;卫星图像中的物体具有各个方位的朝向,而ImageNet数据集中大多是竖直方向的,需要检测器具有旋转不变性;训练数据的缺乏,对于卫星图像缺乏高质量的训练数据,虽然SpaceNet已经进行了一系列有益的工作,但还需要进一步改进;极高的图像分辨率,与通常输入的小图片不同,卫星图像动辄上亿像素,简单的将采样方法对于卫星图像处理无法适用。在过去的几年里深度学习早已成为目标检测的重要工具,但却还有一系列问题
4、有待优化。比如像鸟群一样的密集小物体检测是目前需要解决的挑战。这主要是由于卷积神经网络中一系列降采样操作造成的,如果目标仅仅包含很少的像素数目,这种方法会造成很大的问题。例如在yolo中降采样因子是32同时返回13*13的预测栅格,这意味着如果一个某个物体的像素少于32个就会引起严重的问题。研究人员为了解决这个问题对YOLO的网络架构进行了改造,加密了最后预测输出的栅格数量,从而提高了网络对于细粒度特征的检测结果以及区分不同物体的能力,改善了对于小物体和密集物体群的检测。同时目标检测算法对于不常见的的比例或新的图像分布缺乏一定的泛化能力。由于物体可能的方向和尺寸比例各不相同,算法有限的比例变化
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 yolo 算法 进行 改进 高效 卫星 图像 目标 检测
链接地址:https://www.31doc.com/p-3416674.html