文献类型：期刊文章

作　　者：王艳辉[1] 张福泉[2] 邹静[3] 侯小毛[1]

Wang Yanhui;Zhang Fuquan;Zou Jing;Hou Xiaomao(School of Computer Science and Engineering,Hunan University of Information Technology,Changsha 410151,China;College of Computer and Control Engineering,Minjiang University,Fuzhou 350108,China;School of Computer Science and Technology,Guizhou University,Guiyang 550025,China)

机构地区：[1]湖南信息学院计算机科学与工程学院,湖南长沙410151 [2]闽江学院计算机与控制工程学院,福建福州350108 [3]贵州大学计算机科学与技术学院,贵州贵阳550025

出　　处：《南京理工大学学报》

基　　金：国家自然科学基金(61871204);福建省科技厅引导性项目(2018H0028)。

年　　份：2023

卷　　号：47

期　　号：3

起止页码：330-336

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：为了提高遥感目标检测的稳健性和准确性,基于低层特征检测器,增加了1个改进型卷积神经网络(CNN)框架。首先,利用支持向量回归(SVR)对遥感目标进行初步分类,将检测出的目标信息作为CNN框架的输入。然后,对CNN框架进行优化,通过模块扩展的方式纳入更深的模块。为了使得分类器对亮度变化具有更好的稳健性,在特征向量分类之前增加正则化层(RL)。同时,为了提升目标检测的准确性,增加1个欧拉变换层(ETL),作为类别间的分离度量。使用来自CIFAR-10和MNIST数据集中的图像,与定向梯度边缘直方图(E-HOG)方法、基于生成式对抗网络(GAN)的检测方法、基于二值与浮点数混用方法的语义分割网络(MBU-Net)相比较,仿真结果表明:该文方法的精度和F1得分更高,且标准偏差也更低;该文方法的运行时间接近于一般CNN方法;利用该文方法在测试集的卫星图像中进行目标建筑物检测,模块化CNN可以与基于特征的算法实现互补。

关 键 词：卷积神经网络 遥感图像 目标检测 支持向量回归 欧拉变换层  卫星图像 建筑物检测

分 类 号：TP391]