基于Faster-RCNN的遥感图像中飞机检测的算法研究

简介：
本研究采用Faster-RCNN框架对遥感图像中的飞机进行精准定位与识别，提出优化策略以提高模型在复杂背景下的检测效能。 CCCV2017发布了遥感图像飞机数据集，用于评测飞机检测算法。针对该数据集中存在的问题，如飞机朝向不确定、覆盖范围广以及背景复杂度高等因素导致的高难度飞机检测任务及低准确率和泛化能力等问题，本段落提出了一种基于Faster-RCNN的改进型飞机检测算法。 首先通过图像翻转与角度旋转等手段对数据集进行合理扩增。其次，在经过扩充的数据集中利用深度残差网络提取特征，并针对目标长宽比优化区域建议网络。此外，为了应对训练样本中正负样本不平衡的问题，采用了在线困难样本挖掘方法来提升模型的泛化能力。 实验结果表明，改进后的Faster-RCNN算法在CCCV2017数据集上的测试集中mAP达到了89.93%，显示了显著的性能改善。进一步地，在NWPUVHR-10、NWPU-RESISC45以及UCAS-AOD等其他遥感图像飞机数据集上进行验证，该改进模型同样表现出色，证明其具有较强的鲁棒性和泛化能力。