基于DPM和R-CNN的高分二号遥感影像船只检测方法

提出了基于可变形部件模型(deformable part model, DPM)的高分二号(GaoFen-2,GF2)遥感影像船只检测方法,并与区域卷积网络(regional convolutional neural network, R-CNN)进行比较。先将遥感影像分段以获得船只的粗略感兴趣区域(regions of interest, ROI),然后在ROI内计算方向梯度直方图(histogram of oriented gradients, HOG)和卷积特征,再分别由DPM和R-CNN采用HOG和卷积特征。为测试R-CNN的最佳性能,将具有5个卷积层(ZF网)和具有13个卷积层(VGG网)的网络应用于船只检测。使用8张GF2遥感影像的3523艘船只的实验结果表明,DPM和R-CNN都能以高召回率和正确率检测水中的船只,但对于聚集船只而言,DPM的效果优于R-CNN。基于HOG+DPM,ZF网和VGG网的方法平均精度分别为95.031%,93.282%和93.683%