基于深度神经网络剪枝的两阶段遥感图像目标检测

doi:10.12068/j.issn.1005-3026.2019.02.005

东北大学学报:自然科学版 ›› 2019, Vol. 40 ›› Issue (2): 174-179.DOI: 10.12068/j.issn.1005-3026.2019.02.005

基于深度神经网络剪枝的两阶段遥感图像目标检测

王生生，王萌，王光耀

(吉林大学计算机科学与技术学院，吉林长春130012)

收稿日期:2017-11-30 修回日期:2017-11-30 出版日期:2019-02-15 发布日期:2019-02-12
通讯作者: 王生生
作者简介:王生生(1974-)，男，吉林长春人，吉林大学教授，博士生导师.
基金资助:
国家自然科学基金资助项目(61472161); 吉林省科技发展计划项目(20180101334JC，20190302117GX).

Deep Neural Network Pruning Based Two-Stage Remote Sensing Image Object Detection

WANG Sheng-sheng， WANG Meng， WANG Guang-yao

College of Computer Science and Technology， Jilin University， Changchun 130012， China.

Received:2017-11-30 Revised:2017-11-30 Online:2019-02-15 Published:2019-02-12
Contact: WANG Meng
About author:-
Supported by:
-

摘要/Abstract

摘要： 在高分辨率遥感图像目标检测中，受云雾、光照、复杂背景、噪声等因素影响，现有目标检测方法虚警率高、速度慢、精确度低.为此提出基于深度神经网络剪枝的两阶段目标检测(object detection based on deep pruning，ODDP)方法.首先，给出深度神经网络剪枝方法，基于深度神经网络剪枝分别提出自主学习区域提取网络算法与优化训练分类网络算法;然后，将上述两算法用于卷积神经网络，得到两阶段目标检测模型.实验结果表明，在NWPU VHR-10高分辨率遥感数据集上，相比现有目标检测方法，ODDP的检测速度和精度均有一定提升.

关键词: 计算机视觉, 目标检测, 高分辨率遥感图像, 深度学习, 卷积神经网络

Abstract: In the object detection of high-resolution remote-sensing images， affected by cloud， light， complex background， noise and other factors， the existing object detection method has high false alarm， low speed and low precision. So we propose a two-stage object detection method based on deep pruning. First， we propose deep pruning， and then based on the deep pruning we propose an algorithm that learns region proposal network automatically and an algorithm that we train classification network with optimizing training method. We then apply the two algorithms to convolutional neural network and get a two-stage object detection model. The experiment result shows that our method has a certain improvement on precision and speed compared with the state-of-the-art method.

Key words: computer vision, object detection, high-resolution remote sensing image, deep learning, convolutional neural network

中图分类号:

TP391

王生生，王萌，王光耀. 基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 东北大学学报:自然科学版, 2019, 40(2): 174-179.

WANG Sheng-sheng， WANG Meng， WANG Guang-yao. Deep Neural Network Pruning Based Two-Stage Remote Sensing Image Object Detection[J]. Journal of Northeastern University Natural Science, 2019, 40(2): 174-179.

参考文献

[1]Girshick R，Donahue J，Darrell T，et al.Rich feature hierarchies for accurate object detection and semantic segmentation［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway:IEEE，2014:580-587.
[2]Long Y，Gong Y，Xiao Z，et al.Accurate object localization in remote sensing images based on convolutional neural networks［J］.IEEE Transactions on Geoscience & Remote Sensing，2017，55(5):2486-2498.
[3]Jiang Q，Cao L，Cheng M，et al.Deep neural networks-based vehicle detection in satellite images［C］// International Symposium on Bioelectronics and Bioinformatics.Piscataway:IEEE，2015:184-187.
[4]evo I，Avramovic′ A.Convolutional neural network based automatic object detection on aerial images［J］. IEEE Geoscience & Remote Sensing Letters，2016，13(5):740-744.
[5]Wu H，Zhang H，Zhang J，et al.Typical target detection in satellite images based on convolutional neural networks［C］// IEEE International Conference on Systems，Man，and Cybernetics.Piscataway:IEEE，2016:2956-2961.
[6]Denil M，Shakibi B，Dinh L，et al.Predicting parameters in deep learning［C］//Advances in Neural Information Processing Systems.Cambridge，MA:MIT，2013:2148-2156.
[7]Xia G S，Hu J，Hu F，et al.AID:a benchmark data set for performance evaluation of aerial scene classification［J］.IEEE Transactions on Geoscience and Remote Sensing，2017，55(7):3965-3981.
[8]Cheng G，Han J，Zhou P，et al.Multi-class geospatial object detection and geographic image classification based on collection of part detectors［J］.ISPRS Journal of Photogrammetry & Remote Sensing，2014，98:119-132.
[9]Krizhevsky A，Sutskever I，Hinton G E.Imagenet classification with deep convolutional neural networks［C］//Advances in Neural Information Processing Systems.Cambridge，MA:MIT，2012:1097-1105.
[10]Cheng G，Zhou P，Han J.Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images［J］.IEEE Transactions on Geoscience & Remote Sensing，2016，54(12):7405-7415.(上接第168页)
[2]曹萍，陈福集，张剑.基于进度的软件外包项目风险优化控制决策［J］.武汉大学学报(工学版)，2012，45(3):385-388.(Cao Ping，Chen Fu-ji，Zhang Jian.Risk optimization control decision-making of software outsourcing project based on schedule ［J］.Engineering Journal of Wuhan University，2012，45(3):385-388.)
[3]Münch J，Heidrich J.Software project control centers:concepts and approaches ［J］.Journal of Systems & Software，2004，70(1):3-19.
[4]Yassine A A，Mostafa O，Browning T R.Scheduling multiple，resource-constrained，iterative，product development projects with genetic algorithms［J］.Computers & Industrial Engineering，2017，107:39-56.
[5]Boehm B.Anchoring the software process［J］.IEEE Software，1996，13(4):73-82.
[6]周方明，张明媛，袁永博.基于PCA-GA-BP的工程项目工期风险预测研究［J］.工程管理学报，2011，25(5):534-538.(Zhou Fang-ming，Zhang Ming-yuan，Yuan Yong-bo.Risk of project time based on PCA-GA-BP ［J］.Journal of Engineering Management，2011，25(5):534-538.)
[7]Dao S D，Abhary K，Marian R.A bibliometric analysis of genetic algorithms throughout the history［J］.Computers & Industrial Engineering，2017，110:395-403.

[1]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[2]	王瀛，王泽浩，李红，黄文军. 基于深度学习的威胁情报领域命名实体识别[J]. 东北大学学报（自然科学版）, 2023, 44(1): 33-39.
[3]	马源源，刘晏泽，刘呈隆，张甜洁. 中国投资者多角度舆情分析及其在股市预测中的作用[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1201-1209.
[4]	顾德英，罗聿伦，李文超. 基于改进YOLOv5算法的复杂场景交通目标检测[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1073-1079.
[5]	代茵，刘维宾，董昕阳，宋雨朦. 基于注意力机制的U-Net脑脊液细胞分割[J]. 东北大学学报（自然科学版）, 2022, 43(7): 944-950.
[6]	于哲舟，刘岩，刘元宁. 基于YOLOV3改进的虹膜定位算法[J]. 东北大学学报（自然科学版）, 2022, 43(4): 496-501.
[7]	李鸿儒，任子洋，黄友鹤，于霞. 基于变权重奇异谱分析的心律不齐识别方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 305-312.
[8]	顾德英，张松，孟范伟. 基于单目视觉的车辆3D空间检测方法[J]. 东北大学学报（自然科学版）, 2022, 43(3): 328-334.
[9]	范纯龙，李彦达，夏秀峰，乔建忠. 基于随机梯度上升和球面投影的通用对抗攻击方法[J]. 东北大学学报（自然科学版）, 2022, 43(2): 168-175.
[10]	贾润达，胡慧明，张树磊. 基于宽度学习的浓密机底流浓度软测量[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1231-1237.
[11]	杨爱萍，宋尚阳，程思萌. 轻量化自适应特征选择目标检测网络[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1238-1245.
[12]	王璐，王帅，张国峰，徐礼胜. 基于语义分割注意力与可见区域预测的行人检测方法[J]. 东北大学学报（自然科学版）, 2021, 42(9): 1261-1267.
[13]	宋欣，李奇，解婉君，李宁. YOLOv3-ADS:一种基于YOLOv3的深度学习目标检测压缩模型[J]. 东北大学学报（自然科学版）, 2021, 42(5): 609-615.
[14]	魏颖，雷志浩，齐林. 基于注意力机制的3D U-Net婴幼儿脑组织MR图像分割[J]. 东北大学学报（自然科学版）, 2021, 42(5): 616-623.
[15]	张涛，刘天威，杜文丽. 一种基于卷积神经网络的区域调光技术[J]. 东北大学学报（自然科学版）, 2021, 42(5): 624-632.

基于深度神经网络剪枝的两阶段遥感图像目标检测

Deep Neural Network Pruning Based Two-Stage Remote Sensing Image Object Detection

RichHTML

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价