EYNet：用于遥感图像中机场检测的扩展YOLO
计算机视觉与模式识别
2022-03-29 v1 人工智能
机器学习
摘要
如今，遥感图像中的机场检测因其在民用和军事领域的战略作用而备受关注。特别是，无人和操作型飞行器必须在紧急情况下立即检测安全着陆区域。先前的方案受制于多方面问题，包括复杂的背景、机场的尺度和形状。同时，方法的快速性和准确性面临重大关切。因此，本研究通过扩展YOLOV3和ShearLet变换提出了一种有效方案。具体而言，在相似数据集上重新训练、层数及参数较少的MobileNet和ResNet18作为基础网络并行训练。根据机场几何特征，在ResNet18的首个卷积层中引入不同尺度和方向的ShearLet滤波器作为视觉注意力机制。此外，YOLOV3的主要扩展在于具有新颖结构的检测子网络，其提升了目标表达能力和训练效率。另外，提出了新的数据增强和难例挖掘策略以显著提升定位阶段性能。在DIOR数据集上的实验结果表明，与传统YOLOV3及最先进方案相比，该框架能可靠检测不同区域内的各类机场并在复杂场景中取得鲁棒结果。
引用
@article{arxiv.2203.14007,
title = {EYNet: Extended YOLO for Airport Detection in Remote Sensing Images},
author = {Hengameh Mirhajianmoghadam and Behrouz Bolourian Haghighi},
journal= {arXiv preprint arXiv:2203.14007},
year = {2022}
}