Object Detection in High Resolution Remote Sensing Imagery Based on Convolutional Neural Networks With Suitable Object Scale Features
Object Detection in High Resolution Remote Sensing Imagery Based on Convolutional Neural Networks With Suitable Object Scale Features
复制标题
基于具有合适目标尺度特征的卷积神经网络的高分辨率遥感图像中的目标检测
DOI：
10.1109/tgrs.2019.2953119
复制
发表时间：
2020-03
影响因子：
8.2
通讯作者：
Zhiqi Zhang
中科院分区：
文献类型：
--
作者：
Zhipeng Dong;Mi Wang;Yanli Wang;Yin Zhu;Zhiqi Zhang
高空间分辨率遥感影像目标检测是影像信息自动提取、分析和理解的重要环节。目标检测的感兴趣区域（ROI）规模和目标特征表示是HSRI目标检测中的两个重要因素。针对这两个问题，本文提出了一种新的基于卷积神经网络（CNN）的HSRI目标检测方法，该方法具有合适的目标尺度特征。首先，通过统计HSRI中目标的尺度范围，得到适合目标检测的ROI尺度;然后，使用合适的ROI目标检测尺度设计了用于HSRI中目标检测的CNN框架。使用CNN获得的对象特征具有良好的通用性和鲁棒性。最后，训练和测试了具有合适ROI尺度的对象检测CNN框架。使用WHU-RSONE数据集，所提出的方法与更快的基于区域的CNN（Faster-RCNN）框架进行了比较。实验结果表明，该方法优于Faster-RCNN框架，并在HSRI中提供了良好的目标检测结果。
Object detection in high spatial resolution remote sensing images (HSRIs) is an important part of image information automatic extraction, analysis, and understanding. The region of interest (ROI) scale of object detection and the object feature representation are two vital factors in HSRI object detection. With respect to these two issues, this article presents a novel HSRI object detection method based on convolutional neural networks (CNNs) with suitable object scale features. First, the suitable ROI scale of object detection is obtained by compiling statistics for the scale range of objects in HSRIs. Then, a CNN framework for object detection in HSRIs is designed using a suitable ROI scale of object detection. The object features obtained using a CNN have good universality and robustness. Finally, a CNN framework with a suitable ROI scale of object detection is trained and tested. Using the WHU-RSONE data set, the proposed method is compared with the faster region-based CNN (Faster-RCNN) framework. The experimental results show that the proposed method outperforms the Faster-RCNN framework and provides good object detection results in HSRIs.
登录
查看更多内容
用于高光谱异常检测的基于随机子空间的稳健主成分分析
影响因子：
1.7
作者：
Sun Weiwei;Yang Gang;Li Jialin;Zhang Dianfa
通讯作者：
Zhang Dianfa
受云污染的超高分辨率遥感图像的全色锐化
影响因子：
8.2
作者：
Meng Xiangchao;Shen Huanfeng;Yuan Qiangqiang;Li Huifang;Zhang Liangpei;Sun Weiwei
通讯作者：
Sun Weiwei
DOI：
10.1023/b:visi.0000029664.99615.94
发表时间：
2004-11-01
影响因子：
19.5
作者：
Lowe, DG
通讯作者：
Lowe, DG
超像素与最小生成树相结合的高分辨率遥感图像优化分割
DOI：
10.1109/tgrs.2017.2745507
发表时间：
2018-01-01
影响因子：
8.2
作者：
Wang, Mi;Dong, Zhipeng;Li, Deren
通讯作者：
Li, Deren
DOI：
10.1109/cvpr.2009.5206596
发表时间：
2009-06
期刊：
2009 IEEE Conference on Computer Vision and Pattern Recognition
影响因子：
--
作者：
R. Achanta;S. Hemami;F. Estrada;S. Süsstrunk
通讯作者：
R. Achanta;S. Hemami;F. Estrada;S. Süsstrunk