可变形网络与迁移学习相结合的电力塔遥感影像目标检测法

摘要：电力塔是电力基础设施的重要组成部分，对其进行检测是必不可少的工作。针对当前遥感影像电力塔检测算法精度低，效果差的问题，本文基于可变形网络和迁移学习对FasterR-CNN进行改进，提出一种基于遥感影像的电力塔检测框架。该框架主要分为两个部分：①特征提取子网络，即利用可变形网络模型改进卷积层，来提高模型对于电力塔几何形变的特征提取能力；②目标检测子网络，即通过模型迁移，将由特征提取子网络训练获得的模型参数迁移至此子网络，由RPN网络和可变形区域池化结合非极大值抑制(NMS)精确获取电力塔位置，利用Fine-tuning技术快速训练此子网络，最终实现高精度的遥感影迁移学习FasterR-CNNPowertowerdetectioninremotesensingimagerybasedondeformablenetworkandtransferlearningetectmotegimagerylayer,toimprovethemodel'sfeatureextractionabilityofthepowertowerswithgeometricdeformation.Themodelparametersobtainedfromthefeatureextractionsub-networktrainingaretransferredtoobjectdetectionsubnetworkwhichaccuratelyobtainspositionofpowertowersthroughRPNnetwork,deformableareapoolingandnmsalgorithmsFinallytheobjectdetectionsub-networkisfinelytunedandachievehighprecisiondetectionforpowertowersinremotesensingimageTheresultsshowthatalKeywordsobjectdetectionremotesensingimagerydeformablenetworktransferrRCNN随着遥感技术的快速发展,遥感影像数据越来越丰富,对遥感影像的处理与应用具有重大的科学研究意义和实际应用意义。电力塔是国家电力基础设施的重要组成部分，电力塔检测在电力巡查，抢险救灾等方面具有重要作用，近年来越来越受到广泛的关注。传统的目标检测方法是，通过对遥感影像进行预处F神经网络(CNN)[8]诞生后，基于其强大的特征提取能力，传统目标检测入图像金字塔，有效地避免了图像尺度对卷积计算的影响，提出了SPP-net。该方法可实现不同尺度的多SAR目标检测算法在遥感影像上检测1基于可变形网络和迁移学习的遥感影像电力塔检测框架度的前提下提高训练速度，形成最终模型。具体的算法框架见图1。此，只需要构建小型的电力塔遥感影像数据集，通过将自然图像与遥感影像变换至同一特征空间，使其具有同样的可学习参数，从而简化特征学习过程，这样便能解决常用的目标检测算法在电力塔检测上存在的电力塔的特征的提取能力。利用该改进的网络训练自然电力塔图像数据集获得基，经过改造的可变形区域池化层同时接收特征图和区域建议框，结合非最大值抑制(NMS)[19]算法对区域1.1可变形卷积传统卷积网络中的几何结构是固定的，这种固定的几何结构使得卷积核只能在图像特定的位置进行可变形变形卷积和常规卷积采样方式的对比。可变形的卷积模型在常规卷积模型的基础上引入了空间几何形变的学习能力，这使得其能够更加准目标检测的任务。如图2所示，图(b)、(c)、(d)为可变形卷积的采样相适以表示为存在不确定性，传统的卷积网络(如图3(a)所示)基于其固定1.2可变形区域池化辨率，没有考虑到目标特征在图像上的分布情况，上使得模型的拟合能力变弱，导致模型检测精度较差。基于此，本文算法引入文献[20]提出的可变形区域池化。相较于传统的区域池化来说，可变形区域池化将任意大小的区域转化为固定大小的特征图，有利于提取方向和形状变化显著目标的高级特征。可变形区域池化类似于可变形卷积，通过对每一变形区域池化模型。参考式(1)得到可变形区域池化计算公式，可以表示为进行改正，其中γ是标量经验参数，设，根据电力塔在遥感影像中的位置变化动态调整池化操作，有利于提取遥感影像上tionalpooling2数据集而言，电力塔自然图像数据获取简单。电力塔在自然图像与遥感影像上的纹理和形状等特征存在着一定的相似性，通过将自然图像与遥感影像变换至同一特征空移学习思想可以大量减少数据集数量。因此本文分别制作了电力塔自然图像数据集和少量电力塔遥感影像数据集。首先利用网络爬虫技术爬取自然数据集，经过加噪、旋转和翻折等数据增强方法得到3试验结果与分析法自身对比试验，主要包括以下几种情况:①SSD[25]目标检测框架；②YOLOv3(arXivpreprint,arXiv标检测框架；③FasterR-CNN目标检测框架，不采用迁移学习思想，在自然FasterRCNN想，在集上测试；⑤FasterR-CNN目标检测框架，不采用迁移学习思迁移学习思集上测试；⑧完整算法试验。本文采用的评价指标是平均精度(AP)，包计算方式可以表示为1。SSD_300_VGG16(1)*0.6257.5728YOLOv3_DarkNet53(2)*0.5227472561720.5826N型)(7)****0.64580.593130.6625本文算法(8)****0.8861396CNNFigContrastiveexamplesofresultsofalgorithmexperiments此，可认为可变形网络和模型参数迁移对于模型的检测性能有CNN针对电力塔在遥感影像中的一些特点，本文算法和对比算法在测试数据集中选取一些代表样本上进以N漏检情况，总体获得了较为完成的检测框，与预标注框(GroundTruth)微弱特征区分度较好，误检、错检和漏检较少。总体来看，本文算法对于遥感分辨率相对较低的小型遥感影像数据集检测精度低，直接使用FasterRCNN感影像数据集小，且分辨网络提取特征困难，导致误检、错检和漏检的情况增多。可变形卷积与池化自由变换，对目标趋向性更强，可以自适应不同电力塔图像的尺度变化和位置差异，对电力塔在遥感影像多视角情感，使得模型对几何形变的特