设施农业典型地物改进Faster R-CNN识别方法

作者：王兴; 康俊锋; 刘学军^*; 王美珍; 张超

来源：地球信息科学学报, 2019, 21(09): 1444-1454.

• 设施农业
• 遥感影像
• 目标检测
• Faster R-CNN
• 深度残差

深度学习方法可有效提高传统基于遥感影像的设施农业典型地物识别与提取方法的结果精度,对传统农业的转型和发展意义重大。本文针对遥感影像大背景小目标的特点,以及设施农业典型地物的图像特征,结合深度残差思想和Faster RCNN提出DRTOMA算法:首先,使用深度残差网络作为其基础特征提取网络,以此获得更深层次的图像特征,并抑制网络退化和衰退问题;然后在残差单元和全连接层之间加入改进的空间金字塔池化层,从而去除输入图像固定大小的限制,增加网络对图像尺度的敏感度;最后,在全连接层间添加dropout层,减少网络计算的复杂度,提升抗过拟合效果。仿真结果表明:同部分已有的检测算法相比,DRTOMA算法的平均识别准确率和召回率均取为最优,分别为91.87%和90.63%;在最优识别精度近似的情况下,DRTOMA算法比Faster R-CNN算法的召回率高约2%,网络更易收敛,训练难度较低。综上所述,DRTOMA算法是一种有效可行的设施农业典型地物检测方法。

• 单位
  虚拟地理环境教育部重点实验室; 江苏省地理环境演化国家重点实验室; 江西理工大学; 建筑与测绘工程学院; 南京师范大学; 江苏省地理信息资源开发与利用协同创新中心