基于DRFP网络的无人机对地车辆目标识别算法

张钟毓; 刘云鹏; 王思奎; 刘天赐; 林智远

doi:10.3788/IRLA201948.S226001

基于DRFP网络的无人机对地车辆目标识别算法

doi: 10.3788/IRLA201948.S226001

张钟毓^1,2,3,4,5,
刘云鹏^1,2,4,5,
王思奎^1,2,3,4,5,
刘天赐^1,2,3,4,5,
林智远^1,2,3,4,5

1.
中国科学院沈阳自动化研究所,辽宁沈阳 110016;
2.
中国科学院机器人与智能制造创新研究院,辽宁沈阳 110016;
3.
中国科学院大学,北京 100049;
4.
中国科学院光电信息处理重点实验室,辽宁沈阳 110016;
5.
辽宁省图像理解与视觉计算重点实验室,辽宁沈阳 110016

基金项目:

中国科学院国防科技创新基金（Y8K4160401）

详细信息

作者简介:
张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn

中图分类号: TP391

Vehicle target recognition algorithm for UAV image based on DRFP

Zhang Zhongyu^1,2,3,4,5,
Liu Yunpeng^1,2,4,5,
Wang Sikui^1,2,3,4,5,
Liu Tianci^1,2,3,4,5,
Lin Zhiyuan^1,2,3,4,5

1.
Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China;
2.
Institutes for Robotics and Intelligent Manufacturing,Chinese Academy of Sciences,Shenyang 110016,China;
3.
University of Chinese Academy of Sciences,Beijing 100049,China;
4.
Key Laboratory of Opto-electronic Information Processing,Chinese Academy Sciences,Shenyang 110016,China;
5.
The Key Lab of Image Understanding and Computer Vision,Shenyang 110016,China

摘要: 针对无人机在复杂战场环境的侦察任务中，目标在视场中尺寸过小、边缘和纹理信息较少所造成的目标识别难题，提出一种新的基于深度学习的单阶段目标识别网络DRFP。DRFP网络以残差结构为骨架，使用特征金字塔结构实现特征融合；其次在损失函数中使用添加了调整因子的交叉熵函数，实现对难样本的重点关注、训练；最后使用高斯型非极大值抑制算法（G-NMS），提高目标密集区检出率。使用无人机航拍图像数据集进行地面车辆目标识别的实验结果表明：所提出的单阶段模型的精度（mAP值）为83.16%，达到了两阶段网络模型的水平；同时，识别速度符合实时性的要求。
- 小目标识别 /
- 无人机图像 /
- 深度学习
Abstract: In order to solve the problem of small target recognition caused by small size, less edge and texture information in the field of view for UAV in complex battlefield environment, a new model based on deep learning for small target recognition Deep Residual and Feature Pyramid (DRFP) was proposed in this paper. Firstly, the residual structure was used as the skeleton of the model, and the feature pyramid structure was used to achieve feature fusion. Secondly, the cross-entropy function with adjusting factor was used in the loss function to realize the focus of attention on difficult samples. Finally, a non-maximum Gaussian suppression algorithm was used to improve the detection rate of target-intensive areas. The experimental results show that the accuracy(mAP) of proposed single stage model is 83.16% using UAV-images towards vehicle recognition, which achieves the level of two stage network model. At the same time, the recognition speed meets real-time requirements.
- small target recognition /
- UAV-image /
- deep learning

[1]	Yao Wang, Liu Yunpeng, Zhu Changbo. Deep learning of full-reference image quality assessment based on human visual properties[J]. Infrared and Laser Engineering, 2018, 47(7):0703004. (in Chinese)
[2]	Yu Yi, Kong Lingbao, Zhang Haitao, et al. An improved material removal model for robot polishing based on neural networks[J]. Infrared and Laser Engineering, 2019, 48(3):0317005. (in Chinese)
[3]	Geng Lei, Liang Xiaoyu, Xiao Zhitao, et al. Real-time driver fatigue detection based on morphology infrared features and deep learning[J]. Infrared and Laser Engineering, 2018, 47(2):0203009. (in Chinese)
[4]	Girshick R, Donahue J, Darrell T, et al. Rich feature hierarchies for accurate object detection and semantic segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014, 1:580-587.
[5]	Ren S, He K, Girshick R, et al. Faster R-CNN:Towards real-time object detection with region proposal networks[J]. IEEE Transactions on Pattern Analysis Machine Intelligence, 2015, 39(6):1137-1149.
[6]	Redmon J, Farhadi A. YOLOv3:An incremental improvement[EB/OL].[2019-04-01]. https://arxiv.org/abs/1804.02767.
[7]	Terrail J O D, Jurie, Frdric. Faster RER-CNN:applicati-on to the detection of vehicles in aerial images[EB/OL].[2019-04-01]. https://arxiv.org/abs/1809.07628.
[8]	He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015, 1:770-778.
[9]	Sandler M, Howard A, Zhu M, et al. MobileNetV2:Inverted residuals and linear bottlenecks[C]//IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2018, 1:4510-4520.
[10]	Zhang X, Zhou X, Lin M, et al. ShuffleNet:An extremely efficient convolutional neural network for mobile devices[C]//IEEE Conference on Computer Vision and Pattern Recognition(CVPR), 2018, 1:6848-6856.

[1]	熊子涵, 宋良峰, 刘欣, 左超, 郜鹏. 基于深度学习的荧光显微性能提升（特邀） . 红外与激光工程, 2022, 51(11): 20220536-1-20220536-18. doi: 10.3788/IRLA20220536
[2]	陈寒梅, 于春荣, 刘智超. 基于深度学习的室内照明智能调节系统 . 红外与激光工程, 2022, 51(7): 20210829-1-20210829-6. doi: 10.3788/IRLA20210829
[3]	王嘉业, 李艺璇, 张玉珍. 基于学习的光栅图像噪声抑制方法 . 红外与激光工程, 2022, 51(2): 20220006-1-20220006-10. doi: 10.3788/IRLA20220006
[4]	夏信, 何传亮, 吕英杰, 王守志, 张博, 陈晨, 陈海鹏, 李美萱. 深度学习驱动的智能电网运行图像数据压缩技术 . 红外与激光工程, 2022, 51(12): 20220097-1-20220097-6. doi: 10.3788/IRLA20220097
[5]	王志远, 赖雪恬, 林惠川, 陈福昌, 曾峻, 陈子阳, 蒲继雄. 基于深度学习实现透过浑浊介质图像重构（特邀） . 红外与激光工程, 2022, 51(8): 20220215-1-20220215-10. doi: 10.3788/IRLA20220215
[6]	范有臣, 马旭, 马淑丽, 钱克昌, 郝红星. 基于深度学习的激光干扰效果评价方法 . 红外与激光工程, 2021, 50(S2): 20210323-1-20210323-7. doi: 10.3788/IRLA20210323
[7]	杨程, 鄢秋荣, 祝志太, 王逸凡, 王明, 戴伟辉. 基于深度学习的压缩光子计数激光雷达 . 红外与激光工程, 2020, 49(S2): 20200380-20200380. doi: 10.3788/IRLA20200380
[8]	钟锦鑫, 尹维, 冯世杰, 陈钱, 左超. 基于深度学习的散斑投影轮廓术 . 红外与激光工程, 2020, 49(6): 20200011-1-20200011-11. doi: 10.3788/IRLA20200011
[9]	张旭, 于明鑫, 祝连庆, 何彦霖, 孙广开. 基于全光衍射深度神经网络的矿物拉曼光谱识别方法 . 红外与激光工程, 2020, 49(10): 20200221-1-20200221-8. doi: 10.3788/IRLA20200221
[10]	石峰, 陆同希, 杨书宁, 苗壮, 杨晔, 张闻文, 何睿清. 噪声环境下基于单像素成像系统和深度学习的目标识别方法 . 红外与激光工程, 2020, 49(6): 20200010-1-20200010-8. doi: 10.3788/IRLA20200010
[11]	周宏强, 黄玲玲, 王涌天. 深度学习算法及其在光学的应用 . 红外与激光工程, 2019, 48(12): 1226004-1226004(20). doi: 10.3788/IRLA201948.1226004
[12]	梁欣凯, 宋闯, 赵佳佳. 基于深度学习的序列图像深度估计技术 . 红外与激光工程, 2019, 48(S2): 134-141. doi: 10.3788/IRLA201948.S226002
[13]	耿磊, 梁晓昱, 肖志涛, 李月龙. 基于多形态红外特征与深度学习的实时驾驶员疲劳检测 . 红外与激光工程, 2018, 47(2): 203009-0203009(9). doi: 10.3788/IRLA201847.0203009
[14]	唐聪, 凌永顺, 杨华, 杨星, 郑超. 基于深度学习物体检测的视觉跟踪方法 . 红外与激光工程, 2018, 47(5): 526001-0526001(11). doi: 10.3788/IRLA201847.0526001
[15]	郭强, 芦晓红, 谢英红, 孙鹏. 基于深度谱卷积神经网络的高效视觉目标跟踪算法 . 红外与激光工程, 2018, 47(6): 626005-0626005(6). doi: 10.3788/IRLA201847.0626005
[16]	姚旺, 刘云鹏, 朱昌波. 基于人眼视觉特性的深度学习全参考图像质量评价方法 . 红外与激光工程, 2018, 47(7): 703004-0703004(8). doi: 10.3788/IRLA201847.0703004
[17]	唐聪, 凌永顺, 郑科栋, 杨星, 郑超, 杨华, 金伟. 基于深度学习的多视窗SSD目标检测方法 . 红外与激光工程, 2018, 47(1): 126003-0126003(9). doi: 10.3788/IRLA201847.0126003
[18]	刘天赐, 史泽林, 刘云鹏, 张英迪. 基于Grassmann流形几何深度网络的图像集识别方法 . 红外与激光工程, 2018, 47(7): 703002-0703002(7). doi: 10.3788/IRLA201847.0703002
[19]	张秀玲, 侯代标, 张逞逞, 周凯旋, 魏其珺. 深度学习的MPCANet火灾图像识别模型设计 . 红外与激光工程, 2018, 47(2): 203006-0203006(6). doi: 10.3788/IRLA201847.0203006
[20]	罗海波, 许凌云, 惠斌, 常铮. 基于深度学习的目标跟踪方法研究现状与展望 . 红外与激光工程, 2017, 46(5): 502002-0502002(7). doi: 10.3788/IRLA201746.0502002

点击查看大图

计量

文章访问数: 515
HTML全文浏览量: 85
PDF下载量: 40
被引次数: 0

姓名
邮箱
手机号码
标题
留言内容
验证码

留言板

基于DRFP网络的无人机对地车辆目标识别算法

doi: 10.3788/IRLA201948.S226001

作者简介:
张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn

Vehicle target recognition algorithm for UAV image based on DRFP

计量

基于DRFP网络的无人机对地车辆目标识别算法

doi: 10.3788/IRLA201948.S226001

作者简介:
张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn

English Abstract

Vehicle target recognition algorithm for UAV image based on DRFP

全文HTML

目录

留言板

基于DRFP网络的无人机对地车辆目标识别算法

doi: 10.3788/IRLA201948.S226001

作者简介: 张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn

Vehicle target recognition algorithm for UAV image based on DRFP

计量

出版历程

基于DRFP网络的无人机对地车辆目标识别算法

doi: 10.3788/IRLA201948.S226001

作者简介: 张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn

English Abstract

Vehicle target recognition algorithm for UAV image based on DRFP

全文HTML

目录

作者简介:
张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn

作者简介:
张钟毓(1996-),男,硕士生,主要从事目标检测方面的研究。Email:zhangzhongyu@sia.cn