基于多通道 CNN 的目标检测以增强态势感知
计算机视觉与模式识别
2017-12-04 v1
摘要
目标检测对于自动化军事行动至关重要。然而，当前目标检测算法的性能难以满足军事场景需求。这主要因为目标外观难以区分，且由距探测传感器的距离所决定的目标尺寸剧烈变化，致使目标存在难以检测。深度学习的近期进展已在诸多挑战性任务中取得可喜结果。目标检测的最优（state-of-the-art）方法由卷积神经网络（CNNs）代表，如 fast R-CNN 算法。这些基于 CNN 的方法在多个公开通用目标检测数据集上显著提升了检测性能。但其在可见光图像上检测小目标或难辨目标时仍显不足。在本研究中，我们提出一种融合多通道 CNN 的军用目标新型检测算法。我们通过生成三通道图像来结合空间、时间与热信息，并以无监督方式将其融合为 CNN 特征图。我们的目标检测框架主干源自 fast R-CNN 算法，并利用跨域迁移学习技术在生成的多通道图像上微调 CNN 模型。实验中，我们使用 SENSIAC（Military Sensing Information Analysis Centre）数据库的图像验证所提方法，并与最优方法比较。实验结果证明了该方法在精度与计算效率上的有效性。
引用
@article{arxiv.1712.00075,
title = {Multi-Channel CNN-based Object Detection for Enhanced Situation Awareness},
author = {Shuo Liu and Zheng Liu},
journal= {arXiv preprint arXiv:1712.00075},
year = {2017}
}
备注
Published at the Sensors & Electronics Technology (SET) panel Symposium SET-241 on 9th NATO Military Sensing Symposium