基于YOLO v3网络训练优化的高分遥感影像目标检测

作     者：杨耘 李龙威 高思岩 柏晗 江万成 

作者机构：长安大学地质工程与测绘学院 

出 版 物：《激光与光电子学进展》 (Laser & Optoelectronics Progress)

年 卷 期：2021年

核心收录：

学科分类：0810[工学-信息与通信工程] 08[工学] 081002[工学-信号与信息处理] 

基　　金：长安大学中央高校基本科研业务费(300102269205,300102269304) 国家重点研发计划(2018YF C1504805,2019YFC1509201)联合资助 

主　　题：目标检测 高分遥感影像 YOLO v3 迁移学习 

摘      要：传统的YOLO v3模型通常利用COCO等与测试集目标场景特征差异较大的数据集进行训练，导致对高分遥感影像中复杂场景目标检测精度不高，本文提出了一种对YOLO v3网络训练过程进行优化的方法。该方法是基于迁移学习的思想，在YOLO v3网络训练中，通过生成与目标域更相似的增广数据集对模型进行预训练，实现了训练过程的优化，以提高目标初始预测的精度；其次，利用目标域训练数据对预训练模型参数进行微调，完成了对网络的训练。利用公开的RSOD和DIOR遥感图像目标检测数据集的子集对飞机、运动场、立交桥三大类目标进行模型训练和检测实验，结果表明：本文提出的训练优化后的YOLO v3模型有效地提高了复杂城区场景中上述三类目标的检测精度。与传统的YOLO v3模型相比，三类目标的平均精准度（mAP）均值提高了2%以上。