摘要：大幅宽遥感图像的动目标检测研究中,卷积神经网络虽然取得了显著效果,但算法存在目标搜索空间庞大、模型极其消耗时间及计算资源的问题,因此本文从目标区域预筛选的角度给出了针对性优化方法。首先,基于局部误差处理的策略,改进了现有的图像分割算法来粗糙地提取动目标可能存在的区域。然后,以相邻区域合并、减少总数量和面积为目的,设计了一种基于空间约束的密度聚类算法——SC-DBSCAN,其以分治思想来降低问题的规模,通过空间尺寸的先验约束自适应地将数据划分为多个相互独立的簇,并针对簇的复杂程度选择相应的合并策略,在复杂簇中,考虑到合并结果与对象遍历顺序相关,易陷入局部最优,引入基于模拟退火思想的随机扰动有效提升了输出的图像块质量。最终,通过减少模型推断次数及避免目标的重复检测,显著地改进动目标检测的整体效率。

摘要：为了实现无人机(Unmanned aerial vehicle,UAV)视频中遥感目标的精确跟踪,对传统基于孪生网络的跟踪架构进行了改进。使用改进的ResNet-50作为骨干网络,实现模板和搜索区域进行深度特征提取,以提升骨干网络对于深度特征的提取能力,将孪生骨干网络所提取的特征通过深度互相关操作进行融合。为了抑制低质量预测边界框的生成,本研究在预测头部网络中聚合了一个质量评估分支。对于深度互相关操作得到的特征响应图,直接以无锚框的方式在统一的全卷积网络中预测目标的位置以及纵横比。UAV123数据集上的试验结果表明,相较于传统算法,所设计的跟踪算法在精确度曲线和成功率曲线的得分分别提升了2.2%和4.7%,能够很好地处理快速运动、光照变化以及尺度变化等情况。