摘要：
飛機型別識別在遙感影象中是乙個有意義的工作。由於很難獲取適當的飛機代表以供識別，因此這個課題仍具有很大的挑戰性。為了解決這一問題，我們提出了一種基於深度卷積神經網路的新型飛機型號識別框架。首先，設計一種飛機分割網路，得到細化的飛機分割結果，為區分不同飛機提供重要的細節。然後，提出一種關鍵點檢測網路，用於獲得飛機方向和邊界框，並對分割結果進行對齊。設計了一種新的多旋轉細化方法，進一步地提高了關鍵點的精度。最後，採用模板匹配的方法對飛機進行識別，並採用區間聯合的方法對分割結果與模板的相似性進行評價。該框架利用飛機的形狀和尺度資訊進行識別。實驗表明，該方法優於現有的方法，在具有挑戰的資料集上達到了95.6%的準確率。
飛機型別識別是遙感影象解譯中一項有意義的任務。……
針對飛機型號識別問題，提出了多種有效方法。幾種方法直接基於影象特徵對飛機進行分類。diao等人提出了一種基於深度信念網路 深度置信網路分類方法。fang等人一種建立了基於矩不變和反向神經網路傳播的飛機識別方法。但是，訓練這些模型需要每種型別的大量資料。此外，這些模型對資料的分布十分敏感，資料的不均勻分布會導致識別精度的下降。
此外，一些研究者採用基於模板匹配的方法進行飛機型別識別。……
最近，受到深度卷積神經網路(cnns)在影象分類任務中的巨大成功的啟發。研究人員將現有的cnn架構轉換成畫素標記模型，如全卷積網路(fcn)，從而解決了影象分割問題。這些方法雖然分割效能優異，但需要在具有細化畫素注釋的大規模資料集上進行訓練，獲取成本較高。
為了解決這些問題，本文提出了一種基於cnns的新型魯棒飛機型別識別框架。首先，我們關注的是在訓練階段不使用細化標註的情況下獲得更詳細的飛機分割結果。卷積編碼器-解碼器網路被設計用來捕獲粗片段。然後採用條件隨機域(crf)對分割結果進行細化。其次，為了獲得更準確的方向估計，我們將方向估計轉化為關鍵點的檢測任務，構建卷積回歸網路來定位飛機關鍵點的位置。此外，為了進一步提高關鍵點位置的精度，提出了一種多旋轉細化(mrr)方法。最後，根據方向估計和分割結果，設計了基於模板匹配的飛機識別演算法。該框架的優點如下：
（1）該方法對不平衡的資料型別分布不敏感，只需要關鍵點標註即可訓練分割和關鍵點檢測模型。不需要畫素分割注釋或飛機型別標籤。
（2）具有較強的擴充套件性。如果我們想識別一種新型飛機，我們不需要重新訓練模型。
（3）它為識別提供了更為詳細的形狀和尺度資訊，大大提高了識別精度。實驗證明了該框架的有效性。
本節討論了所提出的飛機識別框架的結構。如圖1所示，該框架由飛機分割模型、方向估計和邊界定位模型以及模板匹配模型三部分組成。首先從影象中提取飛機的二值分割，實現對飛機的二值化記錄。然後將分割結果垂直旋轉，放置在固定大小的背景影象中間。最後，我們用標準飛機模板估計分割結果的相似性，以識別飛機的型別。我們精心設計方法，提高每一步的效能。
我們設計了一種簡單有效的飛機識別模板匹配方法。為了方便將分割結果與標準模板進行匹配，首先對分割結果進行預處理。
……該資料集是由quickbird採集。由13000張0.6 m解析度的農作物光學衛星遙感影象組成。每個影象包含乙個且只有乙個完整的飛機。訓練與驗證資料集包含12000張，僅手工標註8個關鍵點。我們隨機選擇90%的影象進行訓練，其餘的10%影象進行驗證。測試資料集包含10種不同型別的飛機。每種型別都有100張影象，所有這些影象都標有8個關鍵點和飛機型別。圖2所示為十種飛機的例項及其模板。需要注意的是，訓練資料集中有各種飛機，而不僅僅是測試資料集中的型別。但是，訓練資料集在測試資料集中沒有資料j型的飛機。
在這一節中，我們評估飛機分割模型的效能。圖3給出了一些分割結果的例子。雖然粗分割網路的**具有飛機的基本形狀，但由於缺乏細節，其結果不能用於識別任務。然而，經過crf的細化，**變得更加精確，並且給出了大部分的細節。其結果足以作為飛機的代表。在intel xeon e5-2630處理器上使用crf處理影象只需要0.0169s
在本節中，我們評估了所提出的飛機識別方法。首先，我們計算了分割**和標準模板之間的平均iou，如圖6b所示，
得益於飛機分割模型和飛機關鍵點檢測模型的良好效能，**與相應模板之間的平均iou比**與其他型別模板之間的平均iou高得多。圖6c為本文方法的混淆矩陣。
結果表明，該方法可以利用形狀和比例尺資訊對尺寸差異較大的飛機和尺寸相似的飛機進行區分。值得注意的是，即使j型飛機從未出現在訓練資料集中，由於所提出框架的可擴充套件性，j型飛機的識別精度仍然可以達到98%。
然後我們將所提出的方法與其他先進的方法進行了比較。表2顯示了不同方法的結果。
本文使用了相同的訓練和測試資料集進行對比實驗。由於我們的方法充分利用了飛機的形狀和尺寸資訊，所以在測試資料集上優於其他方法，準確率達到了95.6%。
本文提出了一種新的飛機型別識別框架，用於飛機的精確識別。我們提出了乙個飛機分割和乙個關鍵點檢測網路，以獲得準確和詳細的飛機表示。然後採用模板匹配的方法識別飛機的型別。該方法在訓練階段只需要對關鍵點進行標註。此外，它具有良好的擴充套件性，如果我們想要識別一種新型的飛機， 不需要對分割和關鍵點檢測模型進行再訓練。通過實驗驗證了該方法的有效性。
深度學習 卷積神經網路
一 卷積神經網路基礎 二 lenet 三 常見的一些卷積神經網路 卷積層的超引數 填充和步幅。步幅 stride 每次卷積核在輸入陣列上滑動的行數與列數。多輸入與輸出通道 將3維陣列除寬高外的一維稱為通道維。1 1卷積層 包含1 1的卷積核的卷積層。1 1卷積核在不改變輸入高寬的情況下調整通道數。如...
深度學習 卷積神經網路
卷積神經網路 convolutional neural networks,cnn 是一類包含卷積計算且具有深度結構的前饋神經網路 feedforward neural networks 是深度學習 deep learning 的代表演算法之一。卷積神經網路具有表徵學習 representation ...
卷積神經網路 有趣的卷積神經網路
一 前言 最近一直在研究深度學習，聯想起之前所學，感嘆數學是一門樸素而神奇的科學。f g m1 m2 r 萬有引力描述了宇宙星河運轉的規律，e mc 描述了恆星發光的奧秘，v h d哈勃定律描述了宇宙膨脹的奧秘，自然界的大部分現象和規律都可以用數學函式來描述，也就是可以求得乙個函式。神經網路 簡單又...