主页期刊介绍编委会编辑部服务介绍道德声明在线审稿编委办公编辑办公English
2018-2019年专刊出版计划 微信服务介绍 最新一期:2019年第8期
     
在线出版
各期目录
纸质出版
分辑系列
论文检索
论文排行
综述文章
专刊文章
美文分享
各期封面
E-mail Alerts
RSS
旧版入口
中国科学院软件研究所
  
投稿指南 问题解答 下载区 收费标准 在线投稿
裴伟,许晏铭,朱永英,王鹏乾,鲁明羽,李飞.改进的SSD航拍目标检测方法.软件学报,2019,30(3):738-758
改进的SSD航拍目标检测方法
The Target Detection Method of Aerial Photography Images with Improved SSD
投稿时间:2018-07-20  修订日期:2018-09-20
DOI:10.13328/j.cnki.jos.005695
中文关键词:  深度学习  无人机  深度残差网络  特征融合
英文关键词:deep learning  unmanned aerial vehicle  deep residual network  feature fusion
基金项目:国家自然科学基金(1001158,61272369,61370070);辽宁省自然科学基金(2014025003);辽宁省教育厅科学研究一般项目(L2012270);大连市科技创新基金(2018J12GX043);辽宁省重点研发计划
作者单位E-mail
裴伟 大连海事大学 环境科学与工程学院, 辽宁 大连 116026  
许晏铭 大连海事大学 信息科学技术学院, 辽宁 大连 116026  
朱永英 大连海洋大学 海洋与土木工程学院, 辽宁 大连 116023  
王鹏乾 大连海事大学 信息科学技术学院, 辽宁 大连 116026  
鲁明羽 大连海事大学 信息科学技术学院, 辽宁 大连 116026 lumingyu@dlmu.edu.cn 
李飞 大连海事大学 信息科学技术学院, 辽宁 大连 116026  
摘要点击次数: 624
全文下载次数: 586
中文摘要:
      近年来,无人机技术的快速发展使得无人机地面目标检测技术成为计算机视觉领域的重要研究方向,无人机在军事侦察、交通管制等场景中具有普遍的应用价值.针对无人机场景下目标分辨率低、尺度变化大、相机快速运动、目标遮挡和光照变化等问题,提出一种基于残差网络的航拍目标检测算法.在SSD(single shot multibox detector)目标检测算法的基础上,用表征能力更强的残差网络进行基准网络的替换,用残差学习降低网络训练难度,提高目标检测精度;引入跳跃连接机制降低提取特征的冗余度,解决层数增加出现的性能退化问题.同时,针对SSD目标检测算法存在的目标重复检测和小样本漏检问题,提出一种基于特征融合的航拍目标检测算法.算法引入不同分类层的特征融合机制,把网络结构中低层视觉特征与高层语义特征有机地结合在一起.实验结果表明,算法在检测准确性和实时性方面均具有较好的表现.
英文摘要:
      In recent years, the rapid development of UAV (Unmanned Aerial Vehicle) technology makes UAV ground target detection technology become an important research direction in the field of computer vision. UAV has a wide range of applications in military investigation, traffic control, and other scenarios. Nevertheless, the UAV images have many problems such as low target resolution, scale changes, environmental changes, multi-target interference, and complex background environment. Aiming at the above difficulties, derived from the original SSD target detection algorithm, this study uses a residual network with better characterization ability to replace the basic network and a residual learning to reduce the network training difficulty and improve the target detection accuracy. By introducing a hopping connection mechanism, the redundancy of the extracted features is reduced, and the problem of performance degradation after the increase of the number of layers is solved. The effectiveness of the algorithm is verified through experimental comparison. Aiming at the problem of target repeated detection and small sample missing detection of the original SSD target detection algorithm, this study proposes an aerial target detection algorithm based on feature information fusion. By integrating information with different feature layers, this algorithm effectively makes up for the difference between low-level visual features and high-level semantic features in neural networks. Results show that the algorithm has sound performance in both detection accuracy and real-time performance.
HTML  下载PDF全文  查看/发表评论  下载PDF阅读器
 

京公网安备 11040202500064号

主办单位:中国科学院软件研究所 中国计算机学会 京ICP备05046678号-4
编辑部电话:+86-10-62562563 E-mail: jos@iscas.ac.cn
Copyright 中国科学院软件研究所《软件学报》版权所有 All Rights Reserved
本刊全文数据库版权所有,未经许可,不得转载,本刊保留追究法律责任的权利