针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field...针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field Block,RFB),拓宽了特征图的感知域,提高了对小尺寸目标的检测灵敏度。最后,对锚框及其分配策略进行了精细调整。实验结果表明,相较于原始YOLOv3模型,所提方法检测精度和检测速度均大幅提升,并且在抗噪能力上展现出显著优势;与已有识别方法相比,平均检测精度分别提升了4.8%和5.4%;在处理复杂的目标检测任务时展现出更优的性能和更强的鲁棒性,有效实现了高分辨率遥感图像中受损建筑物的准确识别。展开更多
文摘针对地震后利用遥感图像检测受损建筑物,本研究提出了一种基于改进YOLOv3模型的受损建筑物识别方法。首先,通过深入分析尺度特征,对主干网络进行了针对性优化,增强了模型对微小目标特征的捕获能力。其次,引入感受野模块(Receptive Field Block,RFB),拓宽了特征图的感知域,提高了对小尺寸目标的检测灵敏度。最后,对锚框及其分配策略进行了精细调整。实验结果表明,相较于原始YOLOv3模型,所提方法检测精度和检测速度均大幅提升,并且在抗噪能力上展现出显著优势;与已有识别方法相比,平均检测精度分别提升了4.8%和5.4%;在处理复杂的目标检测任务时展现出更优的性能和更强的鲁棒性,有效实现了高分辨率遥感图像中受损建筑物的准确识别。
