基于改进卷积神经网络的遥感图像目标检测方法

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.