摘要
光学遥感目标检测技术在诸多行业及领域有广泛且重要的应用。在自然资源调查及保护方面，光学遥感目标检测有助于有效掌握重点资源变换情况。在城市规划方面，光学遥感目标检测具有重要应用。在军事应用方面，光学遥感影像目标检测能帮助进行精准的目标打击。近年来，随着卷积神经网络快速发展，光学遥感图像目标检测算法得到广泛应用。 目前，基于深度学习的目标检测算法可以分为两类：一种是以YOLO（You Only Look Once）系列为代表的单阶段卷积神经网络目标检测算法，另一种是以 R-CNN（Region-CNN）为代表的双阶段卷积神经网络目标检测算法。考虑到卷积神经网络模型参数多，计算量大，在各类边缘计算场合部署存在一定的困难，因此，轻量化卷积神经网络成为一个重要研究方向，其具备网络参数少、计算量小等特点，能满足嵌入式设备的运行要求。 动态卷积神经网络具有可动态调整网络结构与网络参数等特点，可自适应构建卷积神经网络结构、选择最优的网络内部结构参数。本文将轻量化与动态网络构建方法相结合，实现了基于动态轻量化卷积神经网络的高分辨率光学遥感目标检测，提出方法具备模型参数少、可快速训练和在线检测，模型性能与检测任务复杂度、计算资源之间的动态平衡等诸多优点。主要内容如下： 1、本文提出了一种基于YOLO-SqueezeNet轻量化卷积神经网络遥感影像目标检测方法。该方法引入SqueezeNet轻量化骨干提取网络作为YOLOv3特征提取结构，在本文构建的广域重点建筑物目标检测数据集上进行实验，证明本文方法保证精度的同时，可减少了网络参数，提高检测速度。 2、本文提出了一种动态轻量化卷积神经网络遥感目标检测方法。在遥感图像目标检任务中，利用动态网络可扩展性、结合数据集的自适应选择、及本文提出的轻量化检测模型，实现目标检测种类精度与模型结构的匹配。实验证明，本文提出的DarkNet-53动态卷积神经网络mAP达到92.08%，高于诸多主流目标检测模型；SqueezeNet轻量化动态卷积神经网络mAP达到88.70%，相对于主流基准目标检测模型，仅仅牺牲少量精度，即可进一步大大减少网络参数、实现快速训练和在线检测。
NETL