《電子技術應用》
您所在的位置:首頁 > 其他 > 設計應用 > 一種基于改進Mask R-CNN模型的遙感圖像目標識別方法
一種基于改進Mask R-CNN模型的遙感圖像目標識別方法
信息技術與網絡安全
余慧明,周志祥,彭 楊,崔志斌
(武漢興圖新科電子股份有限公司 平臺產品部,湖北 武漢430073)
摘要: 目標識別技術作為機器視覺領域的一個重要分支,在各個領域有著重要的應用。鑒于一般的目標識別模型在遙感圖片中表現不佳,另外需要識別的目標數量較多,尺寸大小不一,因此在經典的目標識別Mask R-CNN模型的基礎上,提出了一種融合了通道注意力機制和數據增強技術的模型Mask R-CNN模型。在輸入圖片數據時,首先通過Random-Batch images操作對數據進行增強處理,提高模型對尺寸大小不一的目標識別的準確率;然后提取特征時,將原Mask R-CNN模型中的FPN改進為BiFPN,使提取到的特征能更好體現原本的圖片信息;在最后的Mask階段,增加了通道注意力機制,使得模型更多地得到需要的信息。經過實驗表明,此模型在遙感圖像的特殊目標細粒度識別中有良好的表現。對于同一個數據集,其評價指標在各個方面都要優于其他對比算法。
中圖分類號: TP389.1
文獻標識碼: A
DOI: 10.19358/j.issn.2096-5133.2021.03.007
引用格式: 余慧明,周志祥,彭楊,等. 一種基于改進Mask R-CNN模型的遙感圖像目標識別方法[J].信息技術與網絡安全,2021,40(3):38-42,47.
A remote sensing image target recognition method based on improved Mask R-CNN model
Yu Huiming,Zhou Zhixiang,Peng Yang,Cui Zhibin
(Wuhan Xing Tu Xin Ke Co.,Ltd.,Platform Products Department,Wuhan 430073,China)
Abstract: As an important branch in the field of machine vision, target recognition technology has important applications in various fields. In view of the fact that the general target recognition model does not perform well in remote sensing images, the number of targets that need to be recognized is large, and the sizes are different, based on the classic target recognition Mask R-CNN model, a Mask R-CNN model fusing channel attention mechanism and data enhancement technology is proposed. When inputting image data, the data through the Random-Batch images operation to improve the accuracy of the model′s recognition of targets of different sizes is first enhanced; then, when extracting features, the FPN in the original Mask R-CNN model is improved to BiFPN, so that the extracted features can better reflect the original picture information; in the final Mask stage, the channel attention mechanism is added, so that the model can get more information. Experiments show that this model is used in remote sensing images. It has a good performance in the fine-grained recognition of special targets. For the same data set, its evaluation indicators are superior to other comparison algorithms in all aspects.
Key words : target recognition;Mask R-CNN;channel attention;data enhancement

0 引言

隨著人工智能的興起,深度學習[1]算法各個領域的優勢被體現出來。對視頻、圖像中的多目標、細粒度的目標識別技術,可以方便人們在復雜的情景中快速定位到所需要的檢測目標。隨著場景的復雜度加深,基于基礎模型的各種改進版本層出不窮。

在過去近10年中,目標識別技術又有了飛速的發展,從最開始的機器學習算法,再到目前主流的深度學習目標識別算法,如RCNN[2]、SSP-Net[3]、Fast R-CNN[4]、Faster R-CNN[5],目標識別技術已經在各個領域都有了很好的應用。但是,由于數據集的制約,針對遙感圖像的軍事目標識別卻是一個例外。另外,軍事碼頭物體數量眾多,需要檢測的目標與其他物體交錯相間,大大降低了模型的準確性。對于一些密集型的目標檢測,PAN X[6]等人提出了一個由特征選擇模塊(Feature Selection Module,FSM)和動態優化頭(Dynamic Refinement Head,DRH)組成的動態優化網絡。FSM使神經元能夠根據目標物體的形狀和方向調整接受野,而DRH使模型能夠以一種對象感知的方式動態地改進預測。何代毅[7]等人就提出了一種基于改進 Mask-RCNN[8]的建筑物自動提取方法,在網絡的設計中添加了路徑聚合網絡和特征增強功能,通過監督和遷移學習的方式在Inria航空影像標簽數據集中進行多線程迭代訓練與模型優化學習,實現了建筑物的自動精確分割和提取。對于數據集缺乏等問題,林通[9]等人通過遷移姿態生成對抗網絡生成姿態不同的行人圖片,對數據集進行了擴充。


本文詳細內容請下載:http://m.rjjo.cn/resource/share/2000003422




作者信息:

余慧明,周志祥,彭  楊,崔志斌

(武漢興圖新科電子股份有限公司 平臺產品部,湖北 武漢430073)


此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 91久久香蕉国产线看 | 久久91精品国产一区二区 | 久久国产精品-国产精品 | 亚洲经典在线 | 国产专区一va亚洲v天堂 | 久久精品国产99久久72 | 成人免费影院 | 久久久www成人免费精品 | 99国产欧美久久精品 | 久久女同互慰一区二区三区 | 91久久精品国产一区二区 | 极品的亚洲| 国产在线精品香蕉综合网一区 | 亚洲一区二区三区精品视频 | 欧美va免费大片 | chinese农村野战videos | 全免费a级毛片免费毛视频 全午夜免费一级毛片 | 一级片免费的 | 香蕉福利久久福利久久香蕉 | 亚洲免费在线观看 | 91热在线观看精品 | 色综合久久久久久 | 亚洲第一页在线视频 | 国产裸体美女视频全黄 | 欧洲女同互慰在线视频 | 一级特黄aaa大片在线观看 | 美女扒开腿让男人桶爽免费动态图 | 网红主播大尺度精品福利视频 | 欧美一级特黄aa大片视频 | 亚洲狠狠综合久久 | 亚洲精品综合在线 | 免费一级淫片aaa片毛片a级 | 91热久久 | 亚洲视频在线观看网址 | 免费看欧美一级特黄a毛片 免费看片aⅴ免费大片 | 九九热视频精品在线观看 | 国产精品亚洲第五区在线 | 极品精品国产超清自在线观看 | 日韩看片 | 欧美精品综合一区二区三区 | 一区二区影视 |