【技术实现步骤摘要】
基于深度学习的遥感图像飞机检测模型及方法
本专利技术涉及遥感图像目标检测
，尤其涉及一种基于深度学习的遥感图像飞机检测模型及方法。
技术介绍
飞机作为民用生活和军事活动不可或缺的重要物体之一，在航空领域中发挥着重要的作用，因此对飞机的目标检测具有相当大的指导意义。另一方面，遥感图像目标检测的难度与物体所处的背景环境有着很大的关联，处于广阔机场范围领域内的飞机，以机场为背景，检测目标与背景之间存在严重的差异性，会造成背景和检测目标之间的平衡性失调，此外由于飞机的尺寸普遍偏小，给飞机目标检测增加了很大的难度。传统的目标检测方法（如ViolaP,JonesM.Rapidobjectdetectionusingaboostedcascadeofsimplefeatures[C]//Proceedingsofthe2001IEEEcomputersocietyconferenceoncomputervisionandpatternrecognition.CVPR2001.IEEE,2001,1:I-I；ViolaP,Jo...
【技术保护点】
1.基于深度学习的遥感图像飞机检测模型，其特征在于，包括下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；其中：/n所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采...
【技术特征摘要】
1.基于深度学习的遥感图像飞机检测模型，其特征在于，包括下采样单元、上采样单元、特征融合单元和检测单元；所述下采样单元的输出和所述上采样单元的输出作为所述特征融合单元的输入，所述特征融合单元的输出作为检测单元的输入；其中：
所述下采样单元包括依次相连接的CBL模块、ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块和CBL*5模块；其中，ResUnit*1卷积块、ResUnit*2卷积块、第一ResUnit*8卷积块、第二ResUnit*8卷积块、ResUnit*4卷积块分别对应5次下采样操作，每次下采样操作均使得输入的遥感图像的大小缩小为原来的1/2；
所述上采样单元包括3层结构相同的上采样模块；每层所述上采样模块均包括依次连接的CBL模块和UpSample模块；
所述特征融合单元包括3层结构相同的融合模块，每层所述融合模块均包括依次连接的Concat模块和CBL*5模块；
所述检测单元包括4层结构相同的检测分支网络；每个所述检测分支网络均包括依次相连接的CBL*5模块、CBL模块和Conv模块；
其中，ResUnit*N卷积块包括1个CBL模块和N个子卷积块；每个所述子卷积块均包括依次相连接的2个CBL模块和1个ADD模块；所述ResUnit*N卷积块中的CBL模块分别和每个所述子卷积块中的第一个CBL模块与ADD模块相连接；N个子卷积块之间并行连接；N=1、2、4和8；
所述CBL模块包括依次相连接的Conv层、BN层和LeakyRelu函数。
2.根据权利要求1所述的遥感图像飞机检测模型，其特征在于，将所述下采样单元中的CBL*5模块替换为依次相连接的CBL*3模块、DAWM模块和CBL*3模块；所述DAWM模块包括相互并行连接的第一分支网络、第二分支网络、第三分支网络和第四分支网络；所述第一分支网络、第二...
【专利技术属性】
技术研发人员：周黎鸣，闫好鑫，郑昌，王雅娣，臧文乾，屠要峰，左宪禹，
申请(专利权)人：河南大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。