卷积神经网络下的遥感图像目标检测技术

栗华杰 李格 苏炼 蔡继驹

（西南科技大学 四川省绵阳市 621000）

航空遥感图像作为一种常见的遥感图像之一，具有分辨率高、尺度多元性强、排列密集、目标方向多样化等特点，其成像方式主要以航空摄影成像方式为主。通过将卷积神经网络算法与遥感图像目标检测技术进行充分结合，不仅可以提高网络学习能力，还能提高遥感数据处理效率和效果，为实现遥感图像数据集的优化发挥出重要作用。因此，在卷积神经网络算法的应用背景下，如何科学应用遥感图像目标检测技术是技术人员必须思考和解决的问题。

1 卷积神经网络

卷积神经网络（英文简称为“CNN”），主要是由Wiesel 通过研究猫的视觉皮层的基础上提出的，后来，由提出了一种新的概念，即：“神经认知机”，并将其作为一种卷积神经网络模型实现方式。由此可见，卷积神经网络属于一种新型、先进的深度学习模型，主要是在人工神经网络的基础上发展而来的，是一种深度学习法。

1.1 卷积神经网络结构

对于卷积神经网络而言，其结构主要由以下四个部分组成，分别是卷积层、全连接层、输出层以及池化层。其中，卷积层主要是指通过利用卷积运算方式[1]，对已输入的图像的特征进行提取。全连接层主要集中分布于网络结构的底部，其个数较多，通过利用全连接层，可以对已得到的二维特征图特征进行提取和分类，在此基础上，对对其进行转化处理，使其转化为具有一维特征的向量。池化层主要集中分布于卷积层的后方[2]，其功能主要是指采用降采处理的方式，对输入图像特征进行统一化处理，以保证运算过程的简洁性，从而提高运算效率和效果。池化层在进行运算的过程中，重点引入了激活函数，通过利用这一函数，在保证图像特征数量不变的情况下，可以实现对多个特征图的降维处理，为进一步提高网络结构的非线性表达能力发挥出重要作用。比较具有代表性的卷积神经网络结构有两种[3]，一种是LeNet-5，另一种是AlexNet。随着人们对其研究内容的不断加深，具有深层次的卷积神经网络结构不断涌现，这些结构包含ZFNet 网络结构、ResNet 网络结构等。

1.2 卷积神经网络特点

卷积神经网络具有以下三大特点：

（1）稀疏连接。稀疏连接主要集中体现在卷积结构中，通过采用局部连接方式，可以有效地简化计算流程，缩小整个计算量，从而最大限度地提高卷积神经网络结构模型处理效率和效果。

（2）降采样。降采样主要是指主要集中体现在池化层中，通过借助池化层，采用降采处理的方式[4]，确保网络结构具有强大的记忆功能，确保特征图像在扭曲或者缩放处理中始终保持不变形状态，这样一来，为降低运算过程的繁琐性和复杂性创造良好的条件。

（3）权值共享。权值共享主要是指通过采用卷积操作的方式，对所有卷积核与特征图像的集中化处理，从而自动形成多种新特征图像，而新特征图像内部的各个像素点均实现了对同样权重值的共享，确保卷积神经网络结构具有强大的平移不变功能，为最大限度地降低计算量，提高计算效率和效果打下坚实的基础。

总之，通过充分利用以上三大特点，可以从平移、缩放、扭曲三个环节出发，实现对图像特征的随意处理。

2 卷积神经网络下的遥感图像目标检测

2.1 遥感图像目标检测流程

在卷积神经网络算法 的应用背景下， 遥感图像目标检测流程主要体现在以下几个方面：

（1）输入图像，通过对已输入 图像进行剪裁、缩放、翻转等一系列预处理，提高数据增强效果；

（2）通过借助CNN 模型，完成对图像特征的快速提取和科学分类，为后期遥感图像目标检测工作的有效落实提供重要的依据和参考。

（3） 最后，将最终的处理结果输出。

2.2 遥感图像目标检测算法介绍

遥感图像目标检测算法 主要包含以下两种技术：

（1）双步目标检测算法。该算法将遥感图像目标检测过程划分为两个不同阶段：首先，自动生成若干个的候选区域；其次，提取候选区域相关特征，并对其进行直接分类和检测，

（2）单步目标检算法。该算法在具体的运用中， 省掉了对候选区域特征的提取操作，仅仅对图像特征进行直接分类和检测即可，极大地提高了遥感图像目标检测效率和效果。

通常情况下，双步目标检测算法具有准确性高、处理速度慢特征，而单步目标检测算法具有处理速度快，准确性低等特征，而遥感图像在具体的检测中，通常对准确度提出了更高的要求 ，因此，本文在对遥感图像目标检测进行研究的过程中，主要以双步目标检测算法应用为主。

2.3 FasterR-CNN算法及实现

FasterR-RCNN 算法作为一种常用的识别检测算算法，主要由以下两个部分组成，分别是RPN 和FastR-CNN，其中，RPN 属于区域性生成网络，主要用于对遥感图像目标的识别以及具体位置的确定；FastR-CNN 属于遥感图像目标识别网络[5]，主要用于对图像尺寸等参数信息的识别以及遥感图像目标的分类。通过利用FasterR-RCNN 算法对遥感图像目标进行识别、检测的过程中，主要涉及到了以下四个操作步骤：

（1）通过提取图片特征，并生成新的特征图像；

（2）利用RPN，对新生成的候选区域框进行处理；

表1：遥感图像目标检测结果统计

表2：不同模型的识别准确率

（3）利用池化层，对特征图进行综合分析，并根据proposals信息数据，得到遥感图像目标相对位置，然后，将最终的分析结果保存于全连接层中；

（4）借助全连接层，对特征图像进行分类判别，在此基础上，使用矩形框，对遥感图像目标位置进行精确标明[6]。

此外，为了确保RPN 和FastR-CNN 能够结合并形成网络共享卷积层，需要从以下四个阶段算法入手，完成对相关图像特征的精确化计算：

（1）利用预训练网络模型，对RPN 模型进行训练。

（2）通过利用已获得的RPN 输出区域，对FastR-RCNN 网络进行训练。

（3）利用已训练好的FastR-RCNN 网络，采用初始化训练方式，对RPN 网络进行初步训练，在进行训练的过程中，要尽可能确保卷积层始终保持相同，仅仅调整和控制RPN 网络独有的相关参数。

（4）在确保共享卷积层相同的情况下，利用已得到的区域，采用微调全连接层相关参数的方式，对FastR-CNN 网络进行优化和完善。

总之，通过落实以上四个步骤，不仅可以提高对RPN 和FastR-CNN 的训练效果，还能更好地共享提高卷积层参数，为进一步提高相关参数的利用率打下坚实的基础。

2.3.1 遥感目标检测实验

在本次实验中，为了更好地验证遥感图像目标检测技术的可靠性和有效性，现采用正样本集，采用随机划分的方式，将样本集划分为以下三个部分，分别是训练集、验证集和测试集，这三个组分部分的比例是2:1:2，此外，还要使用在Python3.5 软件，完成对FasterR-CNN 算法的编写，并利用TensorFlow 相关技术，完成对模型的构建，然后，利用准确率均值（mAP）对遥感目标检测实验过程进行评价，最终所测得的检测结果如表1 所示。

2.3.2 实验结果分析

从表中的数据可以看出，本文所提出的卷积神经网络模型可以提高遥感图像检测结果准确率，使其准确率提升至89.28%，远远高出传统遥感算法所达到的准确率[7]。不同模型的识别准确率如表2 所示。从表中的数据可以看出，通过利用FasterR-CNN 算法，可以保证目标识别与检测性能的稳定性和良好性，因此，FasterRCNN 算法被视为高效的遥感图像检测方法。

3 结束语

综上所述，在卷积神经网络算法的应用背景下，以航空遥感图像为主要研究对象，通过研究遥感图像目标检测技术，根据遥感图像成像特点，使用FasterR-RCNN 算法完成对目标检测框架的构建，不断提高遥感检测数据集检测结果准确性，使得遥感检测数据集检测结果准确率提升至89.28%，为进一步提高遥感数据处理效率和效果提供有力的保障。