一种基于改进Mask R-CNN模型的遥感图像目标识别方法

一种基于改进MaskR-CNNMaskR-CNN模型的遥感图MaskR-CNN模型进行改进，以了提高识别精关键字：遥感图像、目标识别、MaskR-遥感图像在许多领域中都有广泛的应用，如城市规划、农业管理等。在这些应用中，遥感图像目标识别是一个重要的技术。它能够从遥感图(CNN)、FasterR-CNN、MaskR-CNN等。其中，MaskR-CNN是目前最FasterR-CNN，并在其基础上加入了实例分割然而，实际上，MskR-CNN小目标时，精度下降较为明显。针对这些问题，本文提出了一种基于改MskR-CNN模型的遥感图像目标识别方法。该方法采取了一系列的改进措施，以提高识别精度。MaskR-CNNMaskR-CNN模型。FPNMaskR-CNNResNet504个残差模块，并有5个特征层。为了提高识别精度，我们在这个模型中增加了FPN特征层。FPNFPN特征层，可以将多个尺度的特征进行融合，从而更好地检测小目标。可以看出，增加FPN特征层SENetMaskR-CNNResNet50，这个模型不太适合处理小目标。因此，我们引入了SENet特征，在特征提取器中加入一RoIAlign在MaskR-CNN模型中，RoIAlign模块是将非整数坐标的spatialinterpolation改成各项同性双线性插值。然而，这个处理方法并不对所有的图像都有效。因此，我们提出了改进RoIAlign模块的方法。具体来说，我们计算了RoI的四个顶点坐标，并通过各项异性双线性插值的方式来RoI1.|准确度（%）|mAP(%)FastR-CNN|70.3%|75.1%FasterR-CNN|81.2%|MaskR-CNN|85.6%|改进MaskR-CNN|87.5%|改进MaskR-CNN确实具有较好的表现。MskR-CNN模型的遥感图像目标识别方法。该方法在精度方面比其他算法表现更好。我们采取了一系列的措施进行PNNtoIlgn模块等等。实验证明，这些措施的改进确实可以提高识别精度。但是，该算法还存在一些制约因素，例如模型训练时间较长，计算开销较高。因此，未来可以加强并行计算、网络压缩等方面的研究，以进一步提高该算法的效率。HeK,GkioxariG,DollarP,etal.MaskR-CNN[C]//IEEEInternationalConferenceonComputerVision.IEEE,2017:2961-2969.LiuW,AnguelovD,ErhanD,etal.SSD:Singleshotmultiboxdetector[C]//EuropeanConferenceonComputerVision.Springer,Cham,2016:21-37.GirshickR,DonahueJ,DarrellT,etal.Richfeaturehierarchiesforaccurateobjectdetectionandsemanticsegmentation[C]//IEEEConferenceonComputerVisionandPatternRecognition.IEEE,2014:RenS,HeK,GirshickR,etal.FasterR-CNN:Towardsreal-timeobjectdetectionwithregionproposalnetworks[J].IEEETr