一種基于改進(jìn)Mask R-CNN模型的遙感圖像目標(biāo)識(shí)別方法

一種基于改進(jìn)MaskR-CNNMaskR-CNN模型的遙感圖MaskR-CNN模型進(jìn)行改進(jìn)，以了提高識(shí)別精關(guān)鍵字：遙感圖像、目標(biāo)識(shí)別、MaskR-遙感圖像在許多領(lǐng)域中都有廣泛的應(yīng)用，如城市規(guī)劃、農(nóng)業(yè)管理等。在這些應(yīng)用中，遙感圖像目標(biāo)識(shí)別是一個(gè)重要的技術(shù)。它能夠從遙感圖(CNN)、FasterR-CNN、MaskR-CNN等。其中，MaskR-CNN是目前最FasterR-CNN，并在其基礎(chǔ)上加入了實(shí)例分割然而，實(shí)際上，MskR-CNN小目標(biāo)時(shí)，精度下降較為明顯。針對(duì)這些問題，本文提出了一種基于改MskR-CNN模型的遙感圖像目標(biāo)識(shí)別方法。該方法采取了一系列的改進(jìn)措施，以提高識(shí)別精度。MaskR-CNNMaskR-CNN模型。FPNMaskR-CNNResNet504個(gè)殘差模塊，并有5個(gè)特征層。為了提高識(shí)別精度，我們?cè)谶@個(gè)模型中增加了FPN特征層。FPNFPN特征層，可以將多個(gè)尺度的特征進(jìn)行融合，從而更好地檢測(cè)小目標(biāo)?？梢钥闯觯黾覨PN特征層SENetMaskR-CNNResNet50，這個(gè)模型不太適合處理小目標(biāo)。因此，我們引入了SENet特征，在特征提取器中加入一RoIAlign在MaskR-CNN模型中，RoIAlign模塊是將非整數(shù)坐標(biāo)的spatialinterpolation改成各項(xiàng)同性雙線性插值。然而，這個(gè)處理方法并不對(duì)所有的圖像都有效。因此，我們提出了改進(jìn)RoIAlign模塊的方法。具體來說，我們計(jì)算了RoI的四個(gè)頂點(diǎn)坐標(biāo)，并通過各項(xiàng)異性雙線性插值的方式來RoI1.|準(zhǔn)確度（%）|mAP(%)FastR-CNN|70.3%|75.1%FasterR-CNN|81.2%|MaskR-CNN|85.6%|改進(jìn)MaskR-CNN|87.5%|改進(jìn)MaskR-CNN確實(shí)具有較好的表現(xiàn)。MskR-CNN模型的遙感圖像目標(biāo)識(shí)別方法。該方法在精度方面比其他算法表現(xiàn)更好。我們采取了一系列的措施進(jìn)行PNNtoIlgn模塊等等。實(shí)驗(yàn)證明，這些措施的改進(jìn)確實(shí)可以提高識(shí)別精度。但是，該算法還存在一些制約因素，例如模型訓(xùn)練時(shí)間較長(zhǎng)，計(jì)算開銷較高。因此，未來可以加強(qiáng)并行計(jì)算、網(wǎng)絡(luò)壓縮等方面的研究，以進(jìn)一步提高該算法的效率。HeK,GkioxariG,DollarP,etal.MaskR-CNN[C]//IEEEInternationalConferenceonComputerVision.IEEE,2017:2961-2969.LiuW,AnguelovD,ErhanD,etal.SSD:Singleshotmultiboxdetector[C]//EuropeanConferenceonComputerVision.Springer,Cham,2016:21-37.GirshickR,DonahueJ,DarrellT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation[C]//IEEEConferenceonComputerVisionandPatternRecognition.IEEE,2014:RenS,HeK,GirshickR,etal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEETr