李慧1, 2,,,
张义1,
闫梦龙1,
张宗朔3,
孙显1,
孙皓1,
于泓峰1
1.中国科学院电子学研究所空间信息处理与应用系统技术重点实验室 ??北京 ??100190
2.中国科学院大学 ??北京 ??100049
3.中央兰开夏大学 ??英国 ??PR1 2HE
基金项目:国家自然科学基金(41501485)
详细信息
作者简介:高鑫：男，1966年生，研究员，研究方向为机载SAR信息处理应用、空间信息处理与应用系统技术研究
李慧：女，1992年生，硕士生，研究方向为图像处理与分析
张义：男，1987年，助理研究员，研究方向为阵列信号处理
闫梦龙：男，1985年生，副研究员，研究方向为机器学习与遥感影像智能解译
张宗朔：男，1995年生，本科生
孙显：男，1981年生，副研究员，研究方向为机器学习与遥感影像智能解译
孙皓：男，1984年生，副研究员，研究方向为机器学习与遥感影像智能解译
于泓峰：男，1991年生，助理研究员，研究方向为机器学习与遥感影像智能解译
通讯作者:李慧 lihuiiecas@163.com
中图分类号:TP751.2计量
文章访问数:1291
HTML全文浏览量:588
PDF下载量:90
被引次数:0
出版历程
收稿日期:2018-03-02
修回日期:2018-06-11
网络出版日期:2018-07-16
刊出日期:2018-12-01
Vehicle Detection in Remote Sensing Images of Dense Areas Based on Deformable Convolution Neural Network
Xin GAO1,Hui LI1, 2,,,
Yi ZHANG1,
Menglong YAN1,
Zongshuo ZHANG3,
Xian SUN1,
Hao SUN1,
Hongfeng YU1
1. Key Laboratory of Technology in Geo-spatial Information Processing and Application System, Institute of Electronics, Chinese Academy of Sciences, Beijing 100190, China
2. University of Chinese Academy of Sciences, Beijing 100049, China
3. University of Central Lancashire (UCLan), Preston PR1 2HE, United Kingdom
Funds:The National Natural Science Foundation of China (41501485)
摘要
摘要:车辆检测是遥感图像分析领域的热点研究内容之一，车辆目标的智能提取和识别，对于交通管理、城市建设有重要意义。在遥感领域中，现有基于卷积神经网络的车辆检测方法存在实现过程复杂并且对于车辆密集区域检测效果不理想的缺陷。针对上述问题，该文提出基于端到端的神经网络模型DF-RCNN以提高车辆密集区域的检测精度。首先，在特征提取阶段，DF-RCNN模型将深浅层特征图的分辨率统一并融合；其次，DF-RCNN模型结合可变形卷积和可变形感兴趣区池化模块，通过加入少量的参数和计算量以学习目标的几何形变。实验结果表明，该文提出的模型针对密集区域的车辆目标具有较好的检测性能。
关键词:遥感影像/
车辆检测/
密集区域/
端到端卷积神经网络
Abstract:Vehicle detection is one of the hotspots in the field of remote sensing image analysis. The intelligent extraction and identification of vehicles are of great significance to traffic management and urban construction. In remote sensing field, the existing methods of vehicle detection based on Convolution Neural Network (CNN) are complicated and most of these methods have poor performance for dense areas. To solve above problems, an end-to-end neural network model named DF-RCNN is presented to solve the detecting difficulty in dense areas. Firstly, the model unifies the resolution of the deep and shallow feature maps and combines them. After that, the deformable convolution and RoI pooling are used to study the geometrical deformation of the target by adding a small number of parameters and calculations. Experimental results show that the proposed model has good detection performance for vehicle targets in dense areas.
Key words:Remote sensing images/
Vehicle detection/
Dense areas/
End-to-end convolution neural network
PDF全文下载地址:
https://jeit.ac.cn/article/exportPdf?id=2422f695-61c7-47f9-aea9-b4bc38f339dd
