彭劲松

(湖南环境生物职业技术学院 园林学院, 湖南 衡阳 421005)

0 引言

无人机轻便灵活,操作简单,能够快速获取大范围内的高清影像,是当代测绘工作的主要数据生产工具之一[1- 2]。然而如何从海量的无人机影像数据中快速精准地提取出有效的建筑房屋信息,具有重要的科学研究的价值与意义。随着深度学习技术的兴起,由卷积神经网络所构建的目标检测网络在人脸识别、工业零件检测等多个物体检测领域取得了很好的应用。早在2017年,陈睿敏等[3]就提出了基于卷积神经网络红外遥感图像目标提取网络,该网络能够对红外遥感图像上的不同种类地物有较高的分类精度;2019年,周苏等[4]针对交通标志检测以小目标为主的特点提出了改进的PVANet (Performance vs Accuracy Network),并在TT100K(Tsinghua-Tencent 100K)数据集上取得了最高84.1%mAP的检测精度;同年,卢飞宇[5]提出了一种基于改进的多任务级联卷积神经网络的交通标志检测网络,在实际测试场景下能够对道路交通标志得到较高的检出率;同年,崔文靓等[6]提出了一种基于YOLOv3网络的改进模型,并将该网络应用于公路车道线检测任务上,取得了95%全类平均精度(mean Average Precision, mAP)均值的精度,相比原始网络在精度方面有了11%的提高;2020年,孔方方等[7]提出了基于YOLOv3的交通监控目标检测模型,在大型汽车、小型汽车、骑行摩托车、骑行自行车和行人等5类目标中可以取得84.49% mAP的精度以及98.18%的召回率。无人机影像中的房屋以中小型目标为主,且不同房屋间的形状差异较大,因此，有必要针对性地构建一款深度学习的模型来实现对无人机遥感影像中的房屋实施快速、精准检测。……