第４７卷第３期２０２３年６月南京理工大学学报ＪｏｕｒｎａｌｏｆＮａｎｊｉｎｇＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙＶｏｌ．４７Ｎｏ．３Ｊｕｎ．２０２３收稿日期：２０２２－０５－０６修回日期：２０２２－０８－２５基金项目：国家自然科学基金（６１８７１２０４）；福建省科技厅引导性项目（２０１８Ｈ００２８）作者简介：王艳辉（１９８２－），女，硕士，主要研究方向：深度学习、图像处理，Ｅ⁃ｍａｉｌ：７７４１９５６４＠ｑｑ．ｃｏｍ。引文格式：王艳辉，张福泉，邹静，等．基于改进卷积神经网络的遥感图像目标检测方法［Ｊ］．南京理工大学学报，２０２３，４７（３）：３３０－３３６．投稿网址：ｈｔｔｐ：／／ｚｒｘｕｅｂａｏ．ｎｊｕｓｔ．ｅｄｕ．ｃｎ基于改进卷积神经网络的遥感图像目标检测方法王艳辉１，张福泉２，邹静３，侯小毛１（１．湖南信息学院计算机科学与工程学院，湖南长沙４１０１５１；２．闽江学院计算机与控制工程学院，福建福州３５０１０８；３．贵州大学计算机科学与技术学院，贵州贵阳５５００２５）摘要：为了提高遥感目标检测的稳健性和准确性，基于低层特征检测器，增加了１个改进型卷积神经网络（ＣＮＮ）框架。首先，利用支持向量回归（ＳＶＲ）对遥感目标进行初步分类，将检测出的目标信息作为ＣＮＮ框架的输入。然后，对ＣＮＮ框架进行优化，通过模块扩展的方式纳入更深的模块。为了使得分类器对亮度变化具有更好的稳健性，在特征向量分类之前增加正则化层（ＲＬ）。同时，为了提升目标检测的准确性，增加１个欧拉变换层（ＥＴＬ），作为类别间的分离度量。使用来自ＣＩＦＡＲ⁃１０和ＭＮＩＳＴ数据集中的图像，与定向梯度边缘直方图（Ｅ⁃ＨＯＧ）方法、基于生成式对抗网络（ＧＡＮ）的检测方法、基于二值与浮点数混用方法的语义分割网络（ＭＢＵ⁃Ｎｅｔ）相比较，仿真结果表明：该文方法的精度和Ｆ１得分更高，且标准偏差也更低；该文方法的运行时间接近于一般ＣＮＮ方法；利用该文方法在测试集的卫星图像中进行目标建筑物检测，模块化ＣＮＮ可以与基于特征的算法实现互补。关键词：卷积神经网络；遥感图像；目标检测；支持向量回归；欧拉变换层；卫星图像；建筑物检测中图分类号：ＴＰ３９１文章编号：１００５－９８３０（２０２３）０３－０３３０－０７ＤＯＩ：１０．１４１７７／ｊ．ｃｎｋｉ．３２－１３９７ｎ．２０２３．４７．０３．００６Ｍｅｔ...
