Please wait a minute...
国土资源遥感  2019, Vol. 31 Issue (2): 38-43    DOI: 10.6046/gtzyyg.2019.02.06
  技术方法 本期目录 | 过刊浏览 | 高级检索 |
基于Faster R-CNN的高分辨率图像目标检测技术
谢奇芳,姚国清(),张猛
中国地质大学(北京)信息工程学院,北京 100083
Research on high resolution image object detection technology based on Faster R-CNN
Qifang XIE,Guoqing YAO(),Meng ZHANG
Institute of Information Engineering, China University of Geosciences (Beijing), Beijing 100083, China
全文: PDF(3775 KB)   HTML  
输出: BibTeX | EndNote (RIS)      
摘要 

为提升传统算法对高分辨率遥感图像中地物目标的检测效果,将深度学习目标检测框架快速区域卷积神经网络(faster regions with convolutional neural network,Faster R-CNN)应用于高分辨率遥感图像目标检测任务中。以机场为检测场景、飞机为检测目标进行实验,首先,利用高分辨率遥感图像数据集训练Faster R-CNN框架,得到相应的目标检测模型; 然后,采用该模型对高分辨率遥感图像中的飞机目标进行检测; 最后,对实验结果进行统计分析及评价。实验结果表明,Faster R-CNN模型能够全面而准确地检测飞机目标,最优F1分数值为0.976 3,并且同一个模型可以对多种高分辨率遥感图像进行目标检测。

服务
把本文推荐给朋友
加入引用管理器
E-mail Alert
RSS
作者相关文章
谢奇芳
姚国清
张猛
关键词 目标检测Faster R-CNN卷积神经网络高分辨率遥感图像    
Abstract

In order to improve the detection effect of the traditional algorithm on the ground objects in high resolution remote sensing images, this paper applies the deep learning object detection framework Faster R-CNN to the object detection task of high resolution remote sensing images. The airport and aircraft are used as the test scene and detection object for the experiment respectively, The Faster R-CNN framework is trained using the high-resolution remote sensing image data set to obtain the corresponding object detection model. The model is used to detect aircraft objects in high resolution remote sensing images and perform statistical analysis of the experimental results. The experimental results show that the Faster R-CNN model can entirely and accurately detect aircraft objects with an optimal F1 score of 0.976 3, and the same model can be used for object detection of multiple high resolution remote sensing images.

Key wordsobject detection    Faster R-CNN    convolution neural network    high resolution remote sensing image
收稿日期: 2018-01-24      出版日期: 2019-05-23
ZTFLH:  TP79  
通讯作者: 姚国清     E-mail: gqyao@cugb.edu.cn
作者简介: 谢奇芳(1994-),女,研究生,主要从事深度学习目标检测方面的研究。Email: xqifang@163.com。
引用本文:   
谢奇芳,姚国清,张猛. 基于Faster R-CNN的高分辨率图像目标检测技术[J]. 国土资源遥感, 2019, 31(2): 38-43.
Qifang XIE,Guoqing YAO,Meng ZHANG. Research on high resolution image object detection technology based on Faster R-CNN. Remote Sensing for Land & Resources, 2019, 31(2): 38-43.
链接本文:  
http://www.gtzyyg.com/CN/10.6046/gtzyyg.2019.02.06      或      http://www.gtzyyg.com/CN/Y2019/V31/I2/38
Fig.1  Faster R-CNN框架
Fig.2  RPN网络结构
实验数据 拍摄地点 空间分辨率/m
全色遥感图像 北京首都机场 0.5
多光谱彩色遥感图像 上海浦东机场 2
Tab.1  实验数据信息
Fig.3  高分辨率遥感图像目标检测实验流程
Fig.4  飞机识别实验训练集
Fig.5  飞机识别实验检测结果
Fig.6  飞机检测实验训练集
Fig.7  全色遥感图像飞机目标检测结果
模型名称 飞机总数 正确检测飞机数 误检数 总识别数 未识别数 准确率/% 召回率/% F1分数
Faster R-CNN(Inception-Resnet-v2网络) 338 326 4 330 12 98.79 96.45 0.976 3
Faster R-CNN(Resnet-101网络) 338 291 1 292 47 99.66 86.09 0.923 8
Tab.2  Faster R-CNN模型基于全色遥感图像数据集评价指标
Fig.8  多光谱彩色遥感图像飞机目标检测结果
[1] 明冬萍, 骆剑承, 沈占锋 , 等. 高分辨率遥感影像信息提取与目标识别技术研究[J]. 测绘科学, 2005,30(3):18-20.
Ming D P, Luo J C, Shen Z F , et al. Research on high resolution remote sensing image information extraction and target recognition technology[J]. Surveying and Mapping Science, 2005,30(3):18-20.
[2] 吴樊, 王超, 张红 , 等. 基于知识的中高分辨率光学卫星遥感影像桥梁目标识别研究[J]. 电子与信息学报, 2006,28(4):587-591.
Wu F, Wang C, Zhang H , et al. Research on bridge target recognition based on knowledge of medium and high resolution optical satellite remote sensing images[J]. Journal of Electronics and Information Technology, 2006,28(4):587-591.
[3] 王文宇, 李博 . 基于eCognition的高分辨率遥感图像的自动识别分类技术[J]. 北京建筑工程学院学报, 2006,22(4):26-29.
Wang W Y, Li B . Automatic recognition and classification of high resolution remote sensing images based on eCognition[J]. Journal of Beijing Institute of Civil Engineering and Architecture, 2006,22(4):26-29.
[4] 黄凯奇, 任伟强, 谭铁牛 . 图像物体分类与检测算法综述[J]. 计算机学报, 2014,37(6):1225-1240.
Huang K Q, Ren W Q, Tan T N . Summarization of image object classification and detection algorithm[J]. Journal of Computer, 2014,37(6):1225-1240.
[5] 尹宏鹏, 陈波, 柴毅 , 等. 基于视觉的目标检测与跟踪综述[J]. 自动化学报, 2016,42(10):1466-1489.
doi: 10.16383/j.aas.2016.c150823
Yin H P, Chen B, Chai Y , et al. Vision-based object detection and tracking:A review[J]. Journal of Automation, 2016,42(10):1466-1489.
doi: 10.16383/j.aas.2016.c150823
[6] Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation [C]//IEEE Computer Vision and Pattern Recognition, 2014: 580-587.
[7] Peng X, Schmid C. Multi-region two-stream R-CNN for action detection [C]//European Conference on Computer Vision, 2016: 744-759.
[8] Girshick R. Fast R-CNN [C]//IEEE International Conference on Computer Vision, 2015: 1440-1448.
[9] He K, Zhang X, Ren S , et al. Spatial pyramid pooling in deep convo-lutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2014,37(9):1904-1916.
[10] Li J N, Liang X D , Shen S M .Scale-aware fast R-CNN for pedestrian detection[EB/OL].( 2015 -10-28). https://arxiv.org/pdf/1510.08160.pdf.
[11] Ren S, He K, Girshick R, et al. Faster R-CNN:Towards real-time object detection with region proposal networks [C]//International Conference on Neural Information Processing Systems, 2015: 91-99.
[12] Jiang H, Learned-Miller E. Face detection with the Faster R-CNN [C]//IEEE International Conference on Automatic Face and Gesture Recognition, 2017: 650-657.
[13] Simonyan K , Zisserman A .Very deep convolutional networks for large-scale image recognition[EB/OL].( 2014 -09-04). https://arxiv.org/pdf/1409.1556.pdf.
[14] He K, Zhang X, Ren S, et al. Deep residual learning for image reco-gnition [C]//IEEE Computer Vision and Pattern Recognition, 2016: 770-778.
[15] Szegedy C, Liu W, Jia Y, et al. Going deeper with convolutions [C]//IEEE Computer Vision and Pattern Recognition, 2015: 1-9.
[16] Lin T Y, Maire M, Belongie S, et al. Microsoft COCO:Common objects in context [C]//European Conference on Computer Vision, 2014: 740-755.
[1] 叶发茂,罗威,苏燕飞,赵旭青,肖慧,闵卫东. 卷积神经网络特征在遥感图像配准中的应用[J]. 国土资源遥感, 2019, 31(2): 32-37.
[2] 周阳,张云生,陈斯飏,邹峥嵘,朱耀晨,赵芮雪. 基于DCNN特征的建筑物震害损毁区域检测[J]. 国土资源遥感, 2019, 31(2): 44-50.
[3] 葛芸,江顺亮,叶发茂,姜昌龙,陈英,唐祎玲. 聚合CNN特征的遥感图像检索[J]. 国土资源遥感, 2019, 31(1): 49-57.
[4] 张康,黑保琴,李盛阳,邵雨阳. 基于CNN模型的遥感图像复杂场景分类[J]. 国土资源遥感, 2018, 30(4): 49-55.
[5] 金永涛, 杨秀峰, 高涛, 郭会敏, 刘世盟. 基于面向对象与深度学习的典型地物提取[J]. 国土资源遥感, 2018, 30(1): 22-29.
[6] 蔡红玥, 姚国清. 高分辨率遥感图像道路交叉口自动提取[J]. 国土资源遥感, 2016, 28(1): 63-71.
[7] 苏腾飞, 李洪玉, 屈忠义. 高分辨率遥感图像道路分割算法[J]. 国土资源遥感, 2015, 27(3): 1-6.
[8] 杨叶涛, 王迎迎, 曾又枝. 基于面向对象的高分遥感景观格局提取方法[J]. 国土资源遥感, 2014, 26(4): 46-50.
[9] 杨耘, 徐丽, 颜佩丽. 条件随机场框架下基于随机森林的城市土地利用/覆盖遥感分类[J]. 国土资源遥感, 2014, 26(4): 51-55.
[10] 成宝芝. 高光谱图像异常目标检测算法研究与进展[J]. 国土资源遥感, 2014, 26(3): 1-7.
[11] 张国英, 程益钰, 李峰, 宋科科. 资源三号卫星影像中线性目标的检测技术[J]. 国土资源遥感, 2014, 26(2): 33-37.
[12] 蔡红玥, 姚国清. 基于分水岭算法的高分遥感图像道路提取优化方法[J]. 国土资源遥感, 2013, 25(3): 25-29.
[13] 王东广, 肖鹏峰, 宋晓群, 王铁成, 陈刚. 结合纹理信息的高分辨率遥感图像变化检测方法[J]. 国土资源遥感, 2012, 24(4): 76-81.
Viewed
Full text


Abstract

Cited

  Shared   
  Discussed   
京ICP备05055290号-2
版权所有 © 2015 《国土资源遥感》编辑部
地址:北京学院路31号中国国土资源航空物探遥感中心 邮编:100083
电话:010-62060291/62060292 Email:gtzyyg@agrs.cn; gtzyyg@163.com
本系统由北京玛格泰克科技发展有限公司设计开发