基于改进DetecNet网络的航空图像车辆检测

针对航空图像的目标检测,传统的目标检测方法速度慢且精度低,利用深度学习技术来实施航空图像目标检测是新的研究方向.利用YOLO、Faster R-CNN等算法进行航空图像的车辆检测存在漏检率和误检率较高的诸多问题,因为这些算法在设计上更适合于自然图像的目标检测,而航空图像跟自然图像有明显的区别.针对这些问题,论文利用改进的DetectNet网络实施航空图像的车辆检测.论文通过三种方法来改进DetectNet网络.一是合理标注边界样本以提高训练数据集的质量.二是利用两个3×3卷积核替换单个5×5 卷积核来降低训练参数并同时加深模型深度.三是利用学习率指数递减策略来防止模型陷入局部最优解.改进实验的mAP值从56.4%提高到66.4%,证明了改进后的模型的检测精度更高.