區(qū)域提取網(wǎng)絡(luò)結(jié)合自適應(yīng)池化網(wǎng)絡(luò)的機(jī)場(chǎng)檢測(cè)

辛 鵬， 許悅雷， 馬時(shí)平， 李 帥， 呂 超

(1. 空軍工程大學(xué) 航空航天工程學(xué)院，陜西 西安 710038;2. 中國人民解放軍95876部隊(duì)，甘肅 張掖 734100)

在軍事領(lǐng)域，機(jī)場(chǎng)具有能量補(bǔ)給、交通中轉(zhuǎn)、飛機(jī)?？康葢?zhàn)略功能，是被敵方打擊的重要目標(biāo)．在民事領(lǐng)域，機(jī)場(chǎng)作為運(yùn)輸、能源配給的重要節(jié)點(diǎn)，對(duì)于促進(jìn)經(jīng)濟(jì)發(fā)展起到十分重要的作用．遙感圖像或光學(xué)圖像中機(jī)場(chǎng)的檢測(cè)與識(shí)別可以為整個(gè)圖像的理解與應(yīng)用提供參考，是良好的信息提取切入點(diǎn)．因此，研究圖像中機(jī)場(chǎng)的搜索、檢測(cè)和識(shí)別提取具有重大的意義，其成果在軍事領(lǐng)域可用于戰(zhàn)場(chǎng)監(jiān)測(cè)、定位導(dǎo)航、任務(wù)規(guī)劃等，在民事領(lǐng)域可用于地圖繪制、飛機(jī)降落引導(dǎo)等．

早期的機(jī)場(chǎng)圖像檢測(cè)方法大致分兩類[1]: 基于跑道直線特性的線段檢測(cè)法以及基于機(jī)場(chǎng)紋理特征的場(chǎng)景分割和區(qū)域分析法．第1類方法原理簡(jiǎn)單，軟件實(shí)現(xiàn)容易，但容易被具有類直線特征的目標(biāo)如河流、道路等干擾，造成檢測(cè)的虛警率較高; 第2類方法通常和滑動(dòng)窗搜索等有關(guān)，得到的特征很復(fù)雜，計(jì)算量大，效率低，難以達(dá)到實(shí)時(shí)檢測(cè)的要求．有人將遷移學(xué)習(xí)方法應(yīng)用到機(jī)場(chǎng)檢測(cè)中[2]，取得了不錯(cuò)的效果，但只把深度學(xué)習(xí)用作特征提取的工具，區(qū)域的定位仍采用傳統(tǒng)方法；也有人將卷積神經(jīng)網(wǎng)絡(luò)與其他方法結(jié)合起來進(jìn)行道路提取[3]，同樣取得了良好的結(jié)果．最近，深度學(xué)習(xí)在區(qū)域提取領(lǐng)域也有了很大的突破，取得了優(yōu)于傳統(tǒng)方法的效果．考慮將機(jī)場(chǎng)檢測(cè)的整個(gè)過程都用深度學(xué)習(xí)方法實(shí)現(xiàn)，筆者提出一種改進(jìn)的區(qū)域提取網(wǎng)絡(luò)和自適應(yīng)池化網(wǎng)絡(luò)結(jié)合的機(jī)場(chǎng)快速檢測(cè)方法．

加快檢測(cè)速度的方法大致分兩類: 第1類方法著眼于硬件加速，主要是使用圖形處理單元(Graphics Processing Unit，GPU)來進(jìn)行大規(guī)模、并行運(yùn)算及采用先進(jìn)的中央處理器(Central Processing Unit， CPU)和更快的內(nèi)存單元等來加速網(wǎng)絡(luò)的計(jì)算速度; 第2類方法致力于優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，通過對(duì)卷積神經(jīng)網(wǎng)絡(luò)模型進(jìn)行任務(wù)特異的修改、優(yōu)化，引入一些特殊策略以減少計(jì)算量．針對(duì)機(jī)場(chǎng)檢測(cè)任務(wù)，在圖形處理單元加速的基礎(chǔ)上，主要對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行改進(jìn)、優(yōu)化以達(dá)到機(jī)場(chǎng)快速檢測(cè)的目的．

1 改進(jìn)的區(qū)域提取網(wǎng)絡(luò)和自適應(yīng)池化網(wǎng)絡(luò)

1.1 區(qū)域提取網(wǎng)絡(luò)

筆者通過復(fù)用區(qū)域提取網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)的卷積層對(duì)機(jī)場(chǎng)圖像進(jìn)行檢測(cè)．其中區(qū)域提取階段加入一個(gè)二分類分類器對(duì)候選區(qū)域進(jìn)行優(yōu)化，進(jìn)一步提高網(wǎng)絡(luò)的性能．

區(qū)域提取網(wǎng)絡(luò)[4]通過復(fù)用檢測(cè)網(wǎng)絡(luò)的卷積層提取的特征進(jìn)行區(qū)域提取，節(jié)約了計(jì)算量，加快了提取速度．

圖1 區(qū)域提取網(wǎng)絡(luò)結(jié)構(gòu)示意圖

1.1.1 網(wǎng)絡(luò)結(jié)構(gòu)和特點(diǎn)

區(qū)域提取網(wǎng)絡(luò)在最后一層卷積層提取的特征圖上，運(yùn)行一個(gè)滑動(dòng)窗口(尺寸自定，設(shè)為 3×3) 來生成候選區(qū)域．每個(gè)滑動(dòng)窗口映射到一個(gè)低維向量上，該向量輸入兩個(gè)同級(jí)的全連接層——邊界框分類層(cls)和邊界框回歸層(reg)，前者對(duì)候選區(qū)域是否含有目標(biāo)進(jìn)行預(yù)測(cè)，后者依據(jù)目標(biāo)的人工標(biāo)定邊界框?qū)︻A(yù)測(cè)邊界框位置進(jìn)行修正．網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示．

為適應(yīng)不同大小、不同形狀的目標(biāo)，每一個(gè)滑動(dòng)窗口的位置同時(shí)預(yù)測(cè)多個(gè)不同大小和長寬比的候選邊界框．每個(gè)框以滑動(dòng)窗口的中心為中心，由兩個(gè)點(diǎn)(框的左上角和右下角點(diǎn))的坐標(biāo)確定．命名每個(gè)框?yàn)橐粋€(gè)錨，每個(gè)滑窗中心定義3種尺度和3種長寬比(共9類錨)，因此網(wǎng)絡(luò)的回歸層有36個(gè)輸出，即9種錨的坐標(biāo)編碼; 分類層輸出18個(gè)得分，即每個(gè)錨是否包含目標(biāo)的概率(可用二類的softmax層或logistic回歸實(shí)現(xiàn))．由于卷積和池化的降維特性，特征圖層面上每個(gè)錨在原始圖像中對(duì)應(yīng)的有效感受野很大．通過定義不同尺度的錨并經(jīng)過位置修正，以達(dá)到預(yù)測(cè)圖像中不同尺寸的機(jī)場(chǎng)的目的．

圖2 邊界框回歸示意圖

1.1.2 邊界框回歸和多任務(wù)損失

滑動(dòng)窗口處的預(yù)測(cè)的錨尺寸和形狀是固定的，但目標(biāo)尺寸是多變的．為了能對(duì)不同尺寸目標(biāo)的位置框定的更加準(zhǔn)確，增加一個(gè)邊界框回歸層對(duì)候選區(qū)域的預(yù)測(cè)邊界框進(jìn)行修正．如圖2所示，其中方框?yàn)槿斯?biāo)注的邊界框，方框?yàn)轭A(yù)測(cè)的邊界框，方框?yàn)榻?jīng)過修正后的邊界框．注意：只有當(dāng)預(yù)測(cè)的邊界框和人工標(biāo)定的邊界框比較接近時(shí)，才近似把兩者視為線性關(guān)系，能將其作為訓(xùn)練樣本訓(xùn)練線性回歸模型．具體細(xì)節(jié)參照文獻(xiàn)[5]．

為訓(xùn)練該網(wǎng)絡(luò)，給每個(gè)錨分配一個(gè)二進(jìn)制的標(biāo)簽．分配正標(biāo)簽給兩類錨:與任意人工標(biāo)定邊界框有大于0.7的交集并集之比(Intersection-over-Union，IoU)的錨；與某個(gè)人工標(biāo)定的邊界框有最高的交集并集之比的錨(也許不到0.7)．一個(gè)人工標(biāo)定的邊界框可能給多個(gè)錨分配正標(biāo)簽．給與所有人工標(biāo)定的邊界框的交集并集之比都低于0.3的錨分配負(fù)標(biāo)簽．其余的錨對(duì)訓(xùn)練不起作用．

訓(xùn)練目標(biāo)有兩個(gè)：一是預(yù)測(cè)候選區(qū)域含有目標(biāo)的概率，另一個(gè)是對(duì)目標(biāo)的邊界框位置進(jìn)行調(diào)整．遵循文獻(xiàn)[5]中的多任務(wù)損失，定義一個(gè)候選區(qū)域的損失函數(shù)為

(1)

分類損失Lcls定義為Lcls(p，u)=-logpu,(2)

其中，R是文獻(xiàn)[5]中定義的函數(shù):

(4)

研究發(fā)現(xiàn)，多任務(wù)損失的聯(lián)合訓(xùn)練可以使多個(gè)任務(wù)的信息互相補(bǔ)充，讓公用特征提取得更好，從而提高整體效果．為減少冗余區(qū)域的數(shù)量，在區(qū)域提取結(jié)束后用非極大值抑制的方法對(duì)區(qū)域進(jìn)行篩選．

圖3 改進(jìn)的區(qū)域提取網(wǎng)絡(luò)方法示意圖

1.2 改進(jìn)的區(qū)域提取網(wǎng)絡(luò)

實(shí)驗(yàn)中發(fā)現(xiàn)，區(qū)域提取網(wǎng)絡(luò)提取的候選區(qū)域中存在大量定位較差的區(qū)域和背景區(qū)域，有很大的優(yōu)化空間．文獻(xiàn)[6]發(fā)現(xiàn)用卷積神經(jīng)網(wǎng)絡(luò)可以減少用聚類方法生成的候選區(qū)域的數(shù)量，提高檢測(cè)性能；文獻(xiàn)[7]用一個(gè)4層的級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)對(duì)候選區(qū)域重新排序，提升候選區(qū)域的質(zhì)量．受此啟發(fā)，借鑒分治策略[8]，在區(qū)域提取網(wǎng)絡(luò)后加一個(gè)二類分類器，對(duì)定位較差的區(qū)域和背景區(qū)域進(jìn)行篩除，提出一種改進(jìn)的區(qū)域提取網(wǎng)絡(luò)．其中“二類”指目標(biāo)和背景，該分類器參照自適應(yīng)池化檢測(cè)網(wǎng)絡(luò)的結(jié)構(gòu)(見1.3節(jié))設(shè)計(jì)，以區(qū)域提取網(wǎng)絡(luò)提取的候選區(qū)域?yàn)檩斎?正負(fù)樣本的設(shè)置參照區(qū)域提取網(wǎng)絡(luò))進(jìn)行訓(xùn)練，網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示．

二分類網(wǎng)絡(luò)也包含邊界框回歸層，因?yàn)橹貜?fù)的邊界框回歸能進(jìn)一步提高候選區(qū)域的定位精度．從網(wǎng)絡(luò)結(jié)構(gòu)上分析，新增加的二分類網(wǎng)絡(luò)除了能篩除背景和一些定位較差的區(qū)域外，還能融合不同方法提取的候選區(qū)域，達(dá)到吸收不同區(qū)域提取方法的優(yōu)勢(shì)的目的．

1.3 自適應(yīng)池化的機(jī)場(chǎng)檢測(cè)網(wǎng)絡(luò)

傳統(tǒng)的卷積網(wǎng)絡(luò)只能輸入固定尺寸的圖像．為適應(yīng)不同尺寸的輸入，早期大多采用拉伸、縮放等形變方法，雖然能得到不錯(cuò)的準(zhǔn)確率，但造成了目標(biāo)及其特征的失真，對(duì)檢測(cè)結(jié)果有一定影響．筆者在文獻(xiàn)[9]提出的空間金字塔池化的基礎(chǔ)上，借鑒自適應(yīng)池化窗口大小和滑動(dòng)步長的方法，將不同大小的特征圖整合到同一尺度．為加快計(jì)算速度，將金字塔的層數(shù)減少至一層．

檢測(cè)任務(wù)中每張圖片產(chǎn)生數(shù)以千計(jì)的候選區(qū)域，許多區(qū)域重疊程度很高，它們均被送入同一網(wǎng)絡(luò)進(jìn)行檢測(cè)，造成了相似特征的重復(fù)提取，大大增加了計(jì)算量．觀察來自同一圖像的多個(gè)候選區(qū)域，其特征都是整張圖像特征的一部分，且空間位置是一一對(duì)應(yīng)的．受此啟發(fā)，考慮只提取整張圖像的特征，候選區(qū)域的特征通過空間的對(duì)應(yīng)關(guān)系映射得到．事實(shí)證明這是可行的，且檢測(cè)速度得到了極大提升．

自適應(yīng)池化層之后是幾個(gè)全連接層，最后再經(jīng)過兩個(gè)同級(jí)的全連接層——分類層和回歸層，如圖4所示．網(wǎng)絡(luò)結(jié)構(gòu)與區(qū)域提取網(wǎng)絡(luò)類似，區(qū)別是此時(shí)的分類為多目標(biāo)分類．

圖4 檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2 改進(jìn)的區(qū)域提取網(wǎng)絡(luò)和自適應(yīng)池化網(wǎng)絡(luò)結(jié)合的機(jī)場(chǎng)快速檢測(cè)

2.1 網(wǎng)絡(luò)模型的選擇和初始化

一個(gè)標(biāo)準(zhǔn)的神經(jīng)網(wǎng)絡(luò)的訓(xùn)練需要大量的標(biāo)定數(shù)據(jù)，但筆者提供的數(shù)據(jù)量遠(yuǎn)遠(yuǎn)不夠，考慮使用在大型數(shù)據(jù)集ImageNet[10]上預(yù)訓(xùn)練的網(wǎng)絡(luò)作為模型的初始值，用筆者擁有的數(shù)據(jù)集再訓(xùn)練以微調(diào)網(wǎng)絡(luò)權(quán)值．這樣做是可行的，因?yàn)椴煌繕?biāo)提取出的低級(jí)特征是相似的．有人采用類似的網(wǎng)絡(luò)初始化方法[2]，取得了不錯(cuò)的效果．具體到機(jī)場(chǎng)的檢測(cè)任務(wù)，為避免過擬合，選擇小型的預(yù)訓(xùn)練網(wǎng)絡(luò)Zeiler and Fergus nets (ZF nets)[11]的最后一個(gè)卷積層及其之前的部分作為復(fù)用的卷積層，其余用均值為零、方差為 0.000 1 的高斯函數(shù)隨機(jī)初始化．

2.2 交叉優(yōu)化訓(xùn)練

筆者提出模型的訓(xùn)練不能簡(jiǎn)單地用反向傳播算法將兩部分視為整體聯(lián)合訓(xùn)練，原因是檢測(cè)網(wǎng)絡(luò)的訓(xùn)練依賴于區(qū)域提取網(wǎng)絡(luò)的提取區(qū)域．為了達(dá)到復(fù)用卷積層的目的，根據(jù)不同子網(wǎng)絡(luò)輸入輸出的差異，按邏輯順序采用一種交叉優(yōu)化的訓(xùn)練策略[4]，將區(qū)域提取網(wǎng)絡(luò)和檢測(cè)網(wǎng)絡(luò)分開獨(dú)立訓(xùn)練．具體分4步:

第1步 單獨(dú)訓(xùn)練區(qū)域提取網(wǎng)絡(luò)，微調(diào)網(wǎng)絡(luò)權(quán)值并產(chǎn)生若干機(jī)場(chǎng)候選區(qū)域; 用產(chǎn)生的候選區(qū)域(也可以選擇加入其他方法提取的候選區(qū)域)作為輸入，訓(xùn)練二分類網(wǎng)絡(luò)(網(wǎng)絡(luò)初始化方式與區(qū)域提取網(wǎng)絡(luò)相同)，微調(diào)網(wǎng)絡(luò)權(quán)值并產(chǎn)生優(yōu)化后的機(jī)場(chǎng)候選區(qū)域;

第2步 用第1步產(chǎn)生的優(yōu)化候選區(qū)域訓(xùn)練檢測(cè)網(wǎng)絡(luò)，微調(diào)網(wǎng)絡(luò)權(quán)值，注意此時(shí)檢測(cè)網(wǎng)絡(luò)的初始化卷積層并非第1步微調(diào)過的，而是采用原始的預(yù)訓(xùn)練卷積層;

第3步 把第2步微調(diào)過的檢查網(wǎng)絡(luò)卷積層權(quán)重作為初始化的卷積層并固定不變，用和第1步相同的方法重新訓(xùn)練區(qū)域提取網(wǎng)絡(luò)和二分類網(wǎng)絡(luò)，只微調(diào)兩個(gè)網(wǎng)絡(luò)獨(dú)有的層，同時(shí)產(chǎn)生新的機(jī)場(chǎng)候選區(qū)域;

第4步 保持第3步中的卷積層不變，用第3步產(chǎn)生的新機(jī)場(chǎng)候選區(qū)域微調(diào)檢測(cè)網(wǎng)絡(luò)，此時(shí)網(wǎng)絡(luò)訓(xùn)練結(jié)束且達(dá)到了復(fù)用卷積層的目的．

3 仿真實(shí)驗(yàn)和分析

3.1 仿真平臺(tái)和機(jī)場(chǎng)數(shù)據(jù)庫的準(zhǔn)備

以Matlab 2014b作為仿真平臺(tái)，用Visual Studio 2013編譯的caffe作為神經(jīng)網(wǎng)絡(luò)的框架，電腦配置的中央處理器為I7-7700 3.6 GHz，內(nèi)存為 16 GB，顯卡為NVIDIA GTX 1060．選取600張不同分辨率和不同尺寸的機(jī)場(chǎng)圖像作為訓(xùn)練數(shù)據(jù)集，使模型學(xué)習(xí)多樣的特征，同時(shí)在一定程度上防止過擬合．

圖像中機(jī)場(chǎng)邊界框的標(biāo)注是用軟件Labelimg實(shí)現(xiàn)的，選擇8類場(chǎng)景作為訓(xùn)練目標(biāo)，包括1個(gè)感興趣場(chǎng)景(即機(jī)場(chǎng))和7個(gè)背景場(chǎng)景(即山脈、建筑物、河流、森林、農(nóng)場(chǎng)、道路和島嶼)，每張圖像可以標(biāo)注多個(gè)場(chǎng)景，也可以只標(biāo)注一類場(chǎng)景．每張圖像都至少包含一個(gè)機(jī)場(chǎng)目標(biāo)，因此機(jī)場(chǎng)類的訓(xùn)練樣本比背景類的訓(xùn)練樣本多，這也使得檢測(cè)模型對(duì)機(jī)場(chǎng)的檢測(cè)性能優(yōu)于其他背景場(chǎng)景．

3.2 訓(xùn)練和測(cè)試的實(shí)驗(yàn)結(jié)果

為防止過擬合，以0.5的概率將訓(xùn)練圖像水平翻轉(zhuǎn)來進(jìn)行數(shù)據(jù)擴(kuò)張，訓(xùn)練和測(cè)試集的比例設(shè)為6∶4，區(qū)域提取過程使用改進(jìn)的區(qū)域提取網(wǎng)絡(luò)并融合了選擇性搜索方法[12]提取的區(qū)域．經(jīng)過4個(gè)步驟的交叉優(yōu)化訓(xùn)練，得到了實(shí)驗(yàn)的結(jié)果和訓(xùn)練好的機(jī)場(chǎng)檢測(cè)網(wǎng)絡(luò)模型．實(shí)驗(yàn)結(jié)果如表1所示．為證明改進(jìn)的區(qū)域提取網(wǎng)絡(luò)能提高檢測(cè)性能，用控制變量法做了一組對(duì)比實(shí)驗(yàn)，結(jié)果如表2所示．

表1中的結(jié)果說明筆者提出的方法對(duì)機(jī)場(chǎng)這一目標(biāo)有較好的檢測(cè)性能，而且能區(qū)分與機(jī)場(chǎng)相似的場(chǎng)景，如道路、河流等．道路、河流等的平均檢測(cè)率(Average Precision，AP)不夠高，是因?yàn)橛?xùn)練樣本不足，只有少部分的圖像中存在這些場(chǎng)景．該結(jié)果是基于600張訓(xùn)練圖像得到的．相信隨著訓(xùn)練樣本數(shù)量的增加，每類場(chǎng)景都能得到理想的平均檢測(cè)率．

表1 網(wǎng)絡(luò)訓(xùn)練和測(cè)試后每類的平均檢測(cè)率

表2 區(qū)域提取方法的對(duì)比實(shí)驗(yàn)

表2中3個(gè)對(duì)比實(shí)驗(yàn)用到了控制變量法．改進(jìn)區(qū)域提取方法的目的是提高檢測(cè)性能，故選擇最終檢測(cè)網(wǎng)絡(luò)的平均準(zhǔn)確率的均值(mean Average Precision，mAP)和在10幅尺寸為 800× 600的測(cè)試圖像上的平均檢測(cè)時(shí)間作為評(píng)價(jià)指標(biāo)．表2的結(jié)果顯示，改進(jìn)的區(qū)域提取網(wǎng)絡(luò)能在不增加檢測(cè)時(shí)間的前提下提高平均準(zhǔn)確率的均值．在改進(jìn)的區(qū)域提取網(wǎng)絡(luò)的基礎(chǔ)上增加選擇性搜索能進(jìn)一步提高平均準(zhǔn)確率的均值，但相應(yīng)的檢測(cè)時(shí)間有明顯增加，這是因?yàn)檫x擇性搜索很耗時(shí)．以上實(shí)驗(yàn)說明，改進(jìn)的區(qū)域提取網(wǎng)絡(luò)能在提高候選區(qū)域質(zhì)量的基礎(chǔ)上提高檢測(cè)網(wǎng)絡(luò)的性能，而且通過與其他區(qū)域提取方法的融合，能進(jìn)一步提高檢測(cè)方法的性能．

圖5 筆者提出的方法對(duì)一些典型的機(jī)場(chǎng)檢測(cè)效果圖

圖6 兩個(gè)未檢測(cè)出的機(jī)場(chǎng)示例

圖5顯示了筆者提出方法的幾個(gè)成功的檢測(cè)結(jié)果，圖6顯示了兩個(gè)未能檢測(cè)出的機(jī)場(chǎng)圖像．比較發(fā)現(xiàn)，由于數(shù)據(jù)庫中大多是“常規(guī)”的機(jī)場(chǎng)圖像，因此對(duì)一些外形比較特別的機(jī)場(chǎng)(如圖6)無法檢測(cè)．為解決這一問題，可以考慮將檢測(cè)對(duì)象進(jìn)一步細(xì)化到跑道這一層面，或嘗試增加相關(guān)的訓(xùn)練數(shù)據(jù)集來讓網(wǎng)絡(luò)學(xué)習(xí)這些特征，這些思路將作為下一步的研究內(nèi)容．

3.3 與其他方法的對(duì)比實(shí)驗(yàn)

為檢驗(yàn)筆者提出方法的性能，選取兩種典型的機(jī)場(chǎng)檢測(cè)方法作為對(duì)照，隨機(jī)選取200張機(jī)場(chǎng)圖像作為測(cè)試數(shù)據(jù)集，對(duì)機(jī)場(chǎng)的檢測(cè)率、虛警率和檢測(cè)時(shí)間進(jìn)行統(tǒng)計(jì)．表3中“基于邊緣”指基于邊緣的機(jī)場(chǎng)檢測(cè)方法，如文獻(xiàn)[13]等；“基于SIFT(Scale Invariant Feature Transform)”指基于尺度不變特征轉(zhuǎn)換特征的機(jī)場(chǎng)檢測(cè)方法，如文獻(xiàn)[14]等．為復(fù)現(xiàn)這兩種方法，對(duì)網(wǎng)絡(luò)上下載的相關(guān)的公開代碼根據(jù)論文思路進(jìn)行修改，每種方法取多次實(shí)驗(yàn)的均值，結(jié)果如表3所示．

表3 筆者提出的方法與兩種經(jīng)典方法的對(duì)比

在對(duì)比實(shí)驗(yàn)中，筆者提出的方法選擇改進(jìn)的區(qū)域提取網(wǎng)絡(luò)但不融合其他方法提取的區(qū)域以加快檢測(cè)速度．從表3看出，筆者提出的方法在測(cè)試數(shù)據(jù)集上的檢測(cè)率最高，虛警率最低，平均檢測(cè)時(shí)間也最短，各方面性能都有了很大的提升．這說明與這文獻(xiàn)[13-14]中的方法相比，筆者提出的方法提取的特征對(duì)機(jī)場(chǎng)的表達(dá)能力更強(qiáng)．

4 總 結(jié)

筆者提出一種改進(jìn)的區(qū)域提取網(wǎng)絡(luò)和自適應(yīng)池化網(wǎng)絡(luò)結(jié)合的機(jī)場(chǎng)快速檢測(cè)方法，提高了檢測(cè)識(shí)別率，降低了虛警率，縮短了檢測(cè)時(shí)間．改進(jìn)的區(qū)域提取網(wǎng)絡(luò)通過一個(gè)二分類網(wǎng)絡(luò)篩除了提取較差的機(jī)場(chǎng)候選區(qū)域和背景區(qū)域;檢測(cè)網(wǎng)絡(luò)中通過復(fù)用來自同一圖片的候選區(qū)域的特征，大大減少了計(jì)算代價(jià); 自適應(yīng)池化使不同尺寸的候選區(qū)域能在特征圖層面上調(diào)整至同一尺度，打破了傳統(tǒng)網(wǎng)絡(luò)只能適應(yīng)固定尺寸輸入的限制;復(fù)用區(qū)域提取和檢測(cè)網(wǎng)絡(luò)的卷積層，使得區(qū)域提取的時(shí)間幾乎忽略不計(jì)．筆者提出的方法為機(jī)場(chǎng)實(shí)時(shí)、精確檢測(cè)做了有效的探索，有較強(qiáng)的理論和實(shí)用價(jià)值．提取機(jī)場(chǎng)更加魯棒、高效的特征，創(chuàng)建更加完備的機(jī)場(chǎng)數(shù)據(jù)庫，將筆者提出方法應(yīng)用到實(shí)時(shí)機(jī)場(chǎng)檢測(cè)中，是今后努力的方向．

[1] ZHU D, WANG B, ZHANG L M. Airport Detection Based on Near Parallelity of Line Segments and GBVS Saliency[J]. Journal of Infrared and Millimeter Waves, 2015, 34(3): 375-384.

[2] ZHANG P, NIU X, DOU Y, et al. Airport Detection from Remote Sensing Images Using Transferable Convolutional Neural Networks[C]//Proceedings of the 2016 International Joint Conference on Neural Networks. Piscataway: IEEE, 2016: 2590-2595.

[3] 劉如意, 宋建鋒, 權(quán)義寧, 等. 一種自動(dòng)的高分辨率遙感影像道路提取方法[J]. 西安電子科技大學(xué)學(xué)報(bào), 2017, 44(1): 100-105.

LIU Ruyi, SONG Jianfeng, QUAN Yining, et al. Automatic Road Extraction Method for High-resolution Remote Sensing Images[J]. Journal of Xidian University, 2017, 44(1): 100-105.

[4] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards Real-time Object Detection with Region Proposal Networks[C]//Proceedings of the Advances in Neural Information Processing Systems. Vancouver: Neural Information Processing Systems Foundation, 2015: 91-99.

[5] GIRSHICK R. Fast r-cnn[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway: IEEE, 2015: 1440-1448.

[6] YAN J, YU Y, ZHU X, et al. Object Detection by Labeling Superpixels[C]//Proceedings of the 2015 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2015: 5107-5116.

[7] KUO W, HARIHARAN B, MALIK J. Deepbox: Learning Objectness with Convolutional Networks[C]//Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway: IEEE, 2015: 2479-2487.

[8] YANG B, YAN J, LEI Z, et al. Craft Objects from Images[C]//Proceedings of the 2016 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2016: 6043-6051.

[9] HE K, ZHANG X, REN S, et al. Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1904-1916.

[10] DENG J, DONG W, SOCHER R, et al. Imagenet: a Large-scale Hierarchical Image Database[C]//Proceedings of the 2009 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 2009: 248-255.

[11] ZEILER M D, FERGUS R. Visualizing and Understanding Convolutional Networks[C]//Lecture Notes in Computer Science: 8689. Heidelberg: Springer Verlag, 2014: 818-833.

[12] UIJLINGS J R R, van de SANDE K E A, GEVERS T, et al. Selective Search for Object Recognition[J]. International Journal of Computer Vision, 2013, 104(2): 154-171.

[13] QU Y, LI C, ZHENG N. Airport Detection Base on Support Vector Machine from a Single Image[C]//Proceedings of the 2005 Fifth International Conference on Information, Communications and Signal Processing. Piscataway: IEEE, 2005: 546-549.

[14] TAO C, TAN Y, CAI H, et al. Airport Detection from Large IKONOS Images Using Clustered SIFT Keypoints and Region Information[J]. IEEE Geoscience and Remote Sensing Letters, 2011, 8(1): 128-132.