基于SSD卷积神经网络的遥感图像目标检测.pdf

摘 要 遥感图像目标检测在军事和民用领域都有着广泛的应用，是国内外研究的热点之 一。传统的遥感图像目标检测算法特征提取能力弱、泛化能力差等弊端，而卷积神经 网络算法解决了传统方法适应性不高、提取特征鲁棒性差等缺点，并在许多实际的目 标检测问题中取得了良好效果。SSD （Single Shot MultiBox Detector）算法是目前 较为流行的一种卷积神经网络，兼顾了检测精度和检测速度，本文选用SSD算法进行 遥感图像目标检测。但遥感图像和自然图像成像方式的不同，遥感图像存在图片尺寸 大、目标小等特点，直接使用SSD进行遥感图像目标检测的检测精度较低。针对该问 题，本文对SSD算法进行了改进，主要工作如下： （1）针对因遥感图像尺寸较大而导致在输入SSD算法时存在图像信息丢失的问 题，提出在SSD 中加入滑动窗口机制，避免SSD对输入图像的缩放操作，并使用图像 边缘信息去除因滑动窗口产生的冗余图片。实验结果表明，通过滑动窗口机制能够保 持图像信息完整性，滑动窗口SSD算法检测精度高于改进前SSD算法。 （2）针对因遥感图像中目标较小而使得SSD检测准确率较低的问题，提出使用 特征融合方法以提高SSD对小目标检测的准确率。在该方法中，使用低层特征图替代 贡献较低的高层特征图，并对抽取的高层特征图进行反卷积操作，将反卷积后的特征 图与低层特征图进行融合，将融合后的特征图送入检测器进行检测。实验结果表明， 加入特征融合后的SSD算法对遥感图像中的小目标有更好的检测效果，其检测精度高 于改进前SSD算法。 （3）特征融合SSD输入的是原始图像，仍存在因进行缩放操作而导致图片信息 丢失的问题。针对此问题，将滑动窗口机制加入到特征融合SSD 网络模型中，形成滑 动窗口+特征融合的SSD 网络模型。实验结果表明，加入滑动窗口后的特征融合SSD 算法比特征融合SSD算法检测精度高。 关键字：遥感图像 目标检测 SSD 滑动窗口 特征融合 I ABSTRACT Remote sensing image target detection has been widely used in both military and civil fields and is one of the research hotspots at home and abroad.The traditional remote sensing image target detection algorithm has disadvantages such as weak feature extraction ability and poor generalization ability, while the convolutional neural network algorithm solves the disadvantages such as low adaptability of the traditional method and poor robustness of feature extraction, and achieves good results in many practical target detection problems.SSD (Single Shot MultiBox Detector) algorithm is a relatively popular convolutional neural network at present. Considering both detection accuracy and detection speed, SSD algorithm is selected in this paper for remote sensing image target detection.However, due to the different imaging methods