研究目的
提出一种尺度自适应提议网络(SAPNet),通过解决目标尺寸与分布差异的挑战,提升遥感图像中多目标检测的准确性。
研究成果
提出的SAPNet框架通过采用多层区域提议网络和特征融合技术,显著提升了遥感图像中多目标检测的准确率,在NWPU VHR-10数据集上达到89.2%的mAP值,在DOTA数据集上达到62.9%的mAP值,性能优于RICNN和MS-VANs等现有方法。
研究不足
由于物体间距较近和形状变化,储罐和船舶的测量精度不是很好。该方法可能并非对所有物体类别都能达到最佳效果,且RPN层数的应用取决于具体情况,使用更多层数时收益会递减。
1:实验设计与方法选择:
本研究基于改进的Faster R-CNN框架,通过多层区域提议网络(RPN)生成多尺度目标候选框,并采用融合特征的检测子网络。使用VGG16和ResNet-101作为主干网络。
2:样本选择与数据来源:
采用两个数据集——NWPU VHR-10(10类共650张正样本图像,其中533张用于训练,其余测试)和DOTA(15类共2806张航拍图像)。
3:实验设备与材料清单:
配备Intel Xeon CPU E5-1620 v4(3.50GHz)和NVIDIA GTX 1080Ti GPU的服务器,使用Caffe深度学习框架。
4:50GHz)和NVIDIA GTX 1080Ti GPU的服务器,使用Caffe深度学习框架。
实验流程与操作步骤:
4. 实验流程与操作步骤:训练采用以图像为中心的随机梯度下降法,设置特定学习率和迭代次数(如NWPU VHR-10训练5万次,DOTA训练20万次)。通过RPN在conv4_3和conv5_3层生成候选框,经反卷积实现特征融合,并应用非极大值抑制。
5:数据分析方法:
采用平均精度均值(mAP)、精确率和交并比(IoU)指标评估性能。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容