典型文献
基于改进Faster R-CNN的码头自动识别
文献摘要：
码头自动识别能够为港口的建设与开发、海岸带地理信息的获取及海上军事实力的评估提供重要依据.然而由于码头普遍尺寸小、数量多、分布散乱,且受周围船舶、建筑等环境干扰严重,传统算法难以满足对高速发展的码头进行准确监测的需求,如何对码头目标进行准确识别成为亟需解决的问题.本文基于公开遥感数据集及Google Earth高分遥感影像构建了 3种码头类型的数据集,并针对码头的尺寸特征和空间分布特征对Faster R-CNN算法进行了如下改进:(1)采用K-Means算法对候选框进行预设,使其大小更适应码头尺寸;(2)采用Soft-NMS算法代替NMS算法,以降低分布密集地区码头的误删率和漏检率.实验结果表明,本文改进的Faster R-CNN 算法 FKSN(Faster R-CNN+K-Means+Soft-NMS)识别精度达到 92.6％,相较 Faster R-CNN算法精度提高了 8.3％.将码头目标识别结果和传统分类方法ISODATA、SSD及Faster R-CNN、Faster R-CNN+K-Means等目标提取模型的识别结果相对比,本文方法在虚警率和漏检率的评价指标表现最好,分别为3.2％和7.6％,说明本文方法对于各类码头目标识别具有更好的效果.基于改进Faster R-CNN算法的码头自动识别研究可以为码头的合理建设、规划及治理提供技术支持,为港口高效利用和军事实力分析提供有效途径.
文献关键词：
Faster R-CNN;码头自动识别;K-means算法;Soft-NMS算法;高分遥感
中图分类号：
作者姓名：
常莉莉;王贤敏;王春胜
作者机构：
中国地质大学地球物理与空间信息学院,武汉430074
文献出处：
引用格式：
[1]常莉莉;王贤敏;王春胜-.基于改进Faster R-CNN的码头自动识别)[J].遥感学报,2022(04):752-765
A类：
码头自动识别,FKSN,CNN+K,Means+Soft
B类：
Faster,港口,建设与开发,海岸带,地理信息,军事实力,散乱,环境干扰,传统算法,头目,准确识别,别成,遥感数据,Google,Earth,高分遥感影像,影像构建,空间分布特征,候选框,NMS,区码,误删,漏检率,识别精度,目标识别,分类方法,ISODATA,SSD,目标提取,提取模型,虚警率,别具,实力分析,means
AB值：
0.286069
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
