本文主要講解了一篇基于yolo算法進(jìn)行改進(jìn)的高效衛(wèi)星圖像目標(biāo)檢測算法，主要針對高分辨率輸入和密集小物體進(jìn)行了優(yōu)化。

　　衛(wèi)星圖像是十分重要的資源，可以通過它計(jì)量國土資源，檢測地面情況并且能高瞻遠(yuǎn)矚的記錄地表發(fā)生的變化。但由于衛(wèi)星圖像十分巨大而且其中的物體相對較小，利用衛(wèi)星圖像進(jìn)行目標(biāo)檢測是充滿調(diào)站的工作，本文主要講解了一篇基于yolo算法進(jìn)行改進(jìn)的高效衛(wèi)星圖像目標(biāo)檢測算法，主要針對高分辨率輸入和密集小物體進(jìn)行了優(yōu)化。

　　在大面積的圖像中識別出一系列小物體是衛(wèi)星圖像處理的主要任務(wù)之一。近年來基于深度學(xué)習(xí)的目標(biāo)檢測算法有了很大的效率提升，但基于衛(wèi)星圖像的處理還存在這一系列問題。為了解決這一系列調(diào)整，研究人員在YOLO的基礎(chǔ)上提出了一種兩階段的算法架構(gòu)，不僅可以適應(yīng)多尺度的檢測，同時(shí)達(dá)到了F1>0.8的結(jié)果，最后還探究了分辨率和物體大小對于檢測的影響，并發(fā)現(xiàn)只需要五個(gè)像素的大小就可以實(shí)現(xiàn)目標(biāo)檢測。文章主要從深度學(xué)習(xí)對于衛(wèi)星圖像目標(biāo)檢測的缺陷出發(fā)，提出了改進(jìn)的細(xì)粒度的目標(biāo)檢測網(wǎng)絡(luò)結(jié)構(gòu)。同時(shí)為了解決檢測不變性的問題進(jìn)行了大量的數(shù)據(jù)增強(qiáng)。

　　1. 衛(wèi)星圖像目標(biāo)檢測存在的問題

　　高分辨率的衛(wèi)星圖像和相對較小的圖內(nèi)物體使得衛(wèi)星圖像處理目前主要面臨以下四個(gè)方面的挑戰(zhàn)：

　　空間范圍較?。涸谛l(wèi)星圖像中，感興趣的物體相對尺寸都很小而且常常聚攏在一起，與ImageNet數(shù)據(jù)集中大范圍的顯著物體大不相同。同時(shí)物體的分辨率主要由地面采樣距離決定，它定義了每個(gè)像素對應(yīng)的物理長度。通常情況下衛(wèi)星運(yùn)行的高度是350km左右，最清晰的商用衛(wèi)星圖像可以達(dá)到30cm的GSD（每個(gè)像素對應(yīng)30cm），而普通的數(shù)字衛(wèi)星影響只能達(dá)到3-4m的分辨率了。所以對于車輛、船只這樣的小物體來說可能只有10多個(gè)像素來描述；

　　衛(wèi)星圖像中的物體具有各個(gè)方位的朝向，而ImageNet數(shù)據(jù)集中大多是豎直方向的，需要檢測器具有旋轉(zhuǎn)不變性；

　　訓(xùn)練數(shù)據(jù)的缺乏，對于衛(wèi)星圖像缺乏高質(zhì)量的訓(xùn)練數(shù)據(jù)，雖然SpaceNet已經(jīng)進(jìn)行了一系列有益的工作，但還需要進(jìn)一步改進(jìn)；

　　極高的圖像分辨率，與通常輸入的小圖片不同，衛(wèi)星圖像動輒上億像素，簡單的將采樣方法對于衛(wèi)星圖像處理無法適用。

　　在過去的幾年里深度學(xué)習(xí)早已成為目標(biāo)檢測的重要工具，但卻還有一系列問題有待優(yōu)化。比如像鳥群一樣的密集小物體檢測是目前需要解決的挑戰(zhàn)。這主要是由于卷積神經(jīng)網(wǎng)絡(luò)中一系列降采樣操作造成的，如果目標(biāo)僅僅包含很少的像素?cái)?shù)目，這種方法會造成很大的問題。例如在yolo中降采樣因子是32同時(shí)返回13*13的預(yù)測柵格，這意味著如果一個(gè)某個(gè)物體的像素少于32個(gè)就會引起嚴(yán)重的問題。

　　研究人員為了解決這個(gè)問題對YOLO的網(wǎng)絡(luò)架構(gòu)進(jìn)行了改造，加密了最后預(yù)測輸出的柵格數(shù)量，從而提高了網(wǎng)絡(luò)對于細(xì)粒度特征的檢測結(jié)果以及區(qū)分不同物體的能力，改善了對于小物體和密集物體群的檢測。

　　同時(shí)目標(biāo)檢測算法對于不常見的的比例或新的圖像分布缺乏一定的泛化能力。由于物體可能的方向和尺寸比例各不相同，算法有限的比例變化對于特殊目標(biāo)的檢測就會失效。為了解決這一問題，研究人員對數(shù)據(jù)進(jìn)行了旋轉(zhuǎn)和HSV的隨機(jī)增強(qiáng)，是算法對于不同傳感器、大氣條件和光照條件具有更強(qiáng)的魯棒性。

　　目前先進(jìn)的目標(biāo)檢測算法都是對整幅圖像進(jìn)行處理的，但對于上億像素的衛(wèi)星圖像來說，很難有硬件顯卡內(nèi)存可以滿足如此大的需求。為了解決對于多尺度目標(biāo)的高速檢測，研究人員提出了利用區(qū)域圖像作為輸入，利用多尺度檢測其來進(jìn)性檢測的方法。在實(shí)際過程中，大概200m尺度的圖像片作為輸入，并利用一定的上采樣進(jìn)行處理。

　　下圖中對比了原始圖像和其中的圖像片輸入網(wǎng)絡(luò)后的結(jié)果。全尺寸的網(wǎng)絡(luò)幾乎無法得到任何結(jié)果（下采樣后圖片分辨率損失），而圖像片（像素?cái)?shù)小于32）得到的結(jié)果也不盡如人意。

　　2. 算法與網(wǎng)絡(luò)架構(gòu)

　　首先研究人員們對算法架構(gòu)進(jìn)行了改造，將網(wǎng)絡(luò)結(jié)構(gòu)改成了22層和16的降采樣因子，416*416的像素輸入后能得到26*26的輸出柵格，通過這樣的技術(shù)來優(yōu)化網(wǎng)絡(luò)對于小物體、密集排布的檢測效果。更密集的預(yù)測柵格對于停車場車輛和碼頭船只的檢測十分重要。同時(shí)為了提高小物體的保真度，引入了一個(gè)直通層將最后52*52的直通層和最后一個(gè)卷基層進(jìn)行組合，使得檢測器可以通過拓展特組圖發(fā)現(xiàn)更多細(xì)粒度的特征。

　　卷積網(wǎng)絡(luò)中的神經(jīng)元都使用批量歸一化和LeakyRelu激活，最后一層使用線性激活函數(shù)。最后輸出的結(jié)果N=Nboxes*（Nclass+5），每一個(gè)bbox包含四個(gè)坐標(biāo)和一個(gè)包含物體的概率，以及屬于每類物體的概率。

　　3. 訓(xùn)練數(shù)據(jù)

　　由于在衛(wèi)星圖像處理中，主要關(guān)注飛機(jī)、輪船、建筑平面、汽車和機(jī)場，它們的尺度各不相同。研究人員訓(xùn)練了兩個(gè)不同尺度的檢測器來進(jìn)行目標(biāo)檢測。