端到端训练 联合训练_基于端到端边缘增强GAN和目标探测网络的遥感图像小目标检测 | MDPI...

原标题：基于端到端边缘增强GAN和目标探测网络的遥感图像小目标检测 | MDPI

研究背景

遥感图像目标检测在环境监管、监视、军事、国家安全、交通、林业、油气活动监测等领域具有广泛的应用前景，然而，目前的目标检测技术对于包含噪声和低分辨率的遥感图像而言，尤其是对于图像中的小目标，其检测效果并不理想，即使在高分辨率图像上，对小目标的检测性能也远低于对大目标的检测性能。针对这一问题，来自阿尔伯塔大学 (University of Alberta) 的Jakaria Rabbi博士及其研究团队在Remote Sensing期刊上发表了一篇论文，应用一种新的边缘增强超分辨率生成对抗网络 (Edge-Enhanced Super-Resolution GAN ,EESRGAN) 模型来提高遥感图像质量，再采用端到端检测网络，将检测损失反向传播到EESRGAN模型中以实现小目标检测，达到较高的目标检测性能 (图1)。

图1. 不同分辨率数据集图像及训练效果对比

研究过程

本文旨在提高遥感图像上小目标的检测性能，作者提出了一种端到端网络结构，其由两个模块组成：基于GAN的超分辨率 (Super-Resolution, SR) 网络和检测网络，整个网络以端到端的方式进行训练。其中，基于GAN的SR网络有三个组成部分：生成器、鉴别器和边缘增强网络 (Edge-Enhancement Network, EEN)。该方法利用端到端训练，将检测损失的梯度从检测板反向传播到生成器中，因此，检测器也像鉴别器一样工作，促使发生器产生与地面真实相似的真实图像 (图2)。

图2. 具有生成器和鉴别器模块的总体网络体系结构

研究结果

本研究首先进行模型单独训练，通过训练SR网络直到收敛，然后基于SR图像训练检测器网络。再进行端到端训练，也采用了单独的训练作为训练前的初始化权重步骤，然后联合训练SR和目标检测网络，将来自目标检测器的梯度值传递到生成器网络中。在训练过程中，学习率设置为0.0001，每50 K迭代减半，批次大小设置为5，使用Adam[1]作为优化器，β1 = 0.9，β2 = 0.999，并更新整个架构权值直到收敛，然后为生成器创建23个残差密集块(Residual-in-Residual Dense Blocks, RRDB)，为EEN 网络创建5个RRDB块。在COWC (Cars Overhead with Context) 数据集的训练过程中，端到端模型训练历时96小时，共200个批次，在测试过程中，使用快速基于区域卷积神经网络 (Region-based Convolutional Neural Network, R-CNN) 的平均推理耗时大约是0.25秒，SSD (Single-Shot MultiBox Detector) 是0.14秒。通过该模型进行小目标检测过程如图3所示。

总结

本文提出了一种以低分辨率 (Low-Resolution, LR) 卫星图像为输入，以目标检测结果为输出的端到端检测模型。该模型包含SR网络和检测器网络，使用SR系统和检测器的不同组合来比较使用两个不同数据集进行检测的平均精确度 (Average Precision, AP), 实验结果表明，本文所提出的基于快速R-CNN模型的SR网络对卫星图像上的小目标识别具有较好的检测效果。然而，本文还需要在OGST (Oil and Gas Storage Tank) 数据集中添加更多样化的训练数据，以使分类模型在检测油气储罐方面具有更好的鲁棒性。同时还需要探索不同的数据集和技术，以创造更真实的LR图像。总之，本文提出的方法结合了不同的策略，为LR图像上的小目标检测任务提供了更好的解决方案。

参考文献：

1. Kingma, D.P.; Ba, J. Adam: A method for stochastic optimization. arXiv 2014, arXiv:1412.6980

Remote Sensing (ISSN 2072-4292,IF 4.509) 是一个国际型开放获取期刊。其期刊范围涵盖遥感科学所有领域，从传感器的设计、验证和校准，到遥感在地球科学、环境生态、城市建筑等各方面的广泛应用。Remote Sensing采取单盲同行评审，一审周期约为19天，文章从接收到发表仅需2.9天。

版权声明：

本文作者：Enney Yang

*本文内容由MDPI中国办公室编辑负责撰写，一切内容请以英文原版为准。如需转载，请邮件联系：[email protected]返回搜狐，查看更多

责任编辑：