基于级联残差对抗生成网络的超分辨重建

图像超分辨率技术在遥感领域的应用越来越多,卷积神经网络(Convolutional neural network, CNN)在图像超分辨率任务方面取得了比传统方法更显著的改进。为了解决超分辨重建算法重建图像细节不清晰的问题,对基于对抗生成网络的超分辨重建算法进行了研究,以恢复接近人眼感知质量的超分辨重建图像。对抗生成网络分为生成器子模块和判别器子模块,生成器模块提取的低频图像特征在进入残差块前进行分组卷积,达到了降低参数量的目的。每3个残差块构成一个级联块,级联块通过级联的方式聚合不同级联块之间图像的特征,以实现信息流传递到更加深层的网络中,经过上采样完成生成器中的图像重建过程。判别器网络用于判别是否为生成器重建图像和真实的高分辨率图像,在真实高分辨率图像的判别过程中提高模型能力。同时,研究了加入感知损失对超分辨重建图像的影响,使重建图片纹理细节更加丰富。实验结果表明,重建图像的峰值信噪比较原来算法提高了0.48 dB,结构相似度提高了0.023,该模型在主观视觉评价和客观量化评估上有所提升。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。     

基于改进的YOLO v3的遥感图像目标检测

为了实现对遥感图像目标检测，对YOLO v3算法特征提取网络进行了改进。采用复制主干网络的方法，搭建辅助网络，使网络能够提取到更多的特征。为了使主干网络和辅助网络所提取的特征整合到一起，采用挤压激励(Squeeze and excitation, SE)注意力机制模块进行连接并使用DOTA数据集进行验证，以准确率等评价指标来评价改进网络的性能。实验结果表明，检测的能力在改进后有着明显的提升，比原始的YOLO v3算法准确率提高了8.68%,在检测精度上有所提升。