改进的SSD算法及其对遥感影像小目标检测性能的分析

论文摘要

针对以Faster R-CNN为代表的基于候选框方式的遥感影像目标检测方法检测速度慢,而现有SSD算法在小目标检测中性能低的问题,提出一种改进的SSD算法,综合利用现有基于候选框方式和一体化检测方式的优势,提升检测性能。该算法利用密集连接网络替换原有的VGGNet作为骨干网络,并且在密集连接模块之间构建特征金字塔,代替原有多尺度特征图。为验证所提算法的精度及性能,设计样本数据在线采集系统,并采集飞机及运动场目标样本集作为实验样本,通过对改进SSD算法的训练,验证了其网络结构的稳定性,在无迁移学习支持下依然能够达到良好效果,且训练过程不易发散。通过对比以101层的残差网络（ResNet101）作为基础网络的Faster R-CNN算法和R-FCN算法可知,改进SSD算法较Faster R-CNN算法和R-FCN算法的MAP在测试集上分别提升了9.13%和8.48%,小目标检测的MAP分别提升了14.46%和13.92%,检测单张影像耗时71.8 ms,较Faster R-CNN和R-FCN算法分别减少45.7 ms和7.5 ms。

论文目录

文章来源

类型: 期刊论文

作者: 王俊强,李建胜,周学文,张旭

关键词: 遥感,小目标检测,深度学习,多尺度预测,特征金字塔,平均准确率均值

来源: 光学学报 2019年06期

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 工业通用技术及设备,自动化技术

单位: 信息工程大学地理空间信息学院,78123部队

基金: 国家自然科学基金(41876105),国家重点研发计划资助(2017YFF0206000)

分类号: TP183;TP751

页码: 373-382

总页数: 10

文件大小: 555K

下载量: 964

相关论文文献

标签：遥感论文;  小目标检测论文;  深度学习论文;  多尺度预测论文;  特征金字塔论文;  平均准确率均值论文;