Resumen

La detección de aeronaves a partir de imágenes de teledetección de alta resolución es importante para aplicaciones civiles y militares. Recientemente, los métodos de detección basados en el aprendizaje profundo han avanzado rápidamente. Sin embargo, requieren numerosas muestras para entrenar el modelo de detección y no pueden utilizarse directamente para manejar de forma eficiente imágenes de teledetección de gran área. Un método de aprendizaje débilmente supervisado (WSLM) puede detectar un objetivo con pocas muestras. Sin embargo, no puede extraer un número adecuado de características, y la precisión de la detección requiere mejoras. Proponemos un marco de redes neuronales convolucionales en cascada (CCNN) basado en el aprendizaje por transferencia y las restricciones geométricas de características (GFC) para la detección de aeronaves. Se consigue una gran precisión y una detección eficaz con relativamente pocas muestras. En primer lugar, se obtiene un modelo de detección de alta precisión utilizando el aprendizaje por transferencia para ajustar modelos preentrenados con pocas muestras. A continuación, un método de filtrado de propuesta de región GFC mejora la eficacia de la detección. El marco CCNN completa la detección de aeronaves en imágenes de teledetección de grandes áreas. La red de primer nivel del marco es un clasificador de imágenes que filtra toda la imagen, excluyendo la mayoría de las zonas sin aeronaves. La red de segundo nivel es un detector de objetos que detecta rápidamente las aeronaves a partir de la salida de la red de primer nivel. En comparación con WSLM, la precisión de la detección aumentó un 3,66%, la detección falsa disminuyó un 64% y la detección fallida disminuyó un 23,1%.

• Materias:Biotecnología Redes de sensores Sistema de sensores Diagnóstico de fallas Tecnología de sensores Diagnóstico de fallos
• Subjects:Biotechnology Sensor networks Sensor system Fault diagnosis Sensor technology
• Palabras claves:pocas muestras, imágenes, detección de aeronaves, precisión de detección, red de niveles, método de filtrado de propuesta de región gfc, modelo de detección de precisión, red neuronal convolucional, restricciones de características geométricas, salida de la red de niveles
• Keywords:few samples, images, aircraft detection, detection accuracy, level network, gfc region proposal filtering method, accuracy detection model, convolutional neural network, geometric feature constraints, level network output