基于改进YOLOX的遥感影像目标检测算法.pdf

第 卷第期 年月 吉 林 大 学 学 报(地 球 科 学 版)J o u r n a l o f J i l i nU n i v e r s i t y(E a r t hS c i e n c eE d i t i o n)V o l N o J u l y 李美霖,芮杰,金飞,等基于改进YO L O X的遥感影像目标检测算法吉林大学学报(地球科学版),():d o i:/j c n k i j j u e s e L iM e i l i n,R u i J i e,J i nF e i,e t a l R e m o t eS e n s i n g I m a g eT a r g e tD e t e c t i o nA l g o r i t h mB a s e do n I m p r o v e dYO L O X J o u r n a l o fJ i l i nU n i v e r s i t y(E a r t hS c i e n c eE d i t i o n),():d o i:/j c n k i j j u e s e 基于改进Y O L O X的遥感影像目标检测算法李美霖,芮杰,金飞,刘智,林雨准中国人民解放军战略支援部队信息工程大学地理空间信息学院,郑州 部队,北京 摘要:目标检测是遥感影像处理中一项基础性和常规性的工作.本文基于YO L O X(y o uo n l yl o o ko n c eX)网络进行改进,设计了一种针对遥感影像目标的检测算法.首先在特征提取模块P AN e t(p a t ha g g r e g a t i o nn e t w o r k)中加入自适应空间特征融合(a d a p t i v e l ys p a t i a l f e a t u r e f u s i o n,A S F F)网络,针对目标检测中尺度不一致的细部特征进行深入挖掘.其次,设计了基于E C A(e f f i c i e n tc h a n n e l a t t e n t i o n)的特征提取模块,高效通道交互在更加关注特征图中正样本特征信息的同时降低了模型的复杂性.再次,为了避免过拟合造成梯度消失、激活效果弱的问题,提出使用s w i s h激活函数.最后,在D O TA(d a t a s e t f o ro b j e c td e t e c t i o n i na e r i a l i m a g e s)上进行实验,通过消融实验定性分析、通过对比实验定量验证了本文算法的最佳机制和有效性.结果表明:在添加A S F F和E C A机制并且优化s w i s h激活函数的前提下,改进网络模型的全类平均正确率(m e a na v e r a g ep r e c i s i o n,mA P)达 ,较原始网络提升了 ;与当前应用广泛的目标检测算法M o b i l e n e t YO L O v、YO L O v、Y O L O v、Y O L O X相比,本文算法实现了mA P 的提升.关键词:摄影测量;遥感;目标检测;D O TA;E C A;A S F Fd o i:/j c n k i j j u e s e 中图分类号:P 文献标志码:A收稿日期:作者简介:李美霖(),女,硕士,主要从事遥感影像智能解译方面的研究,E m a i l:q q c o m基金项目:国家自然科学基金项目()S u p p o r t e db yt h eN a t i o n a lN a t u r a lS c i e n c eF o u n d a t i o no fC h i n a()R e m o t eS e n s i n gI m a g eT a r g e tD e t e c t i o nA l g o r i t h mB a s e do nI m p r o v e dY O L O XL iM e i l i n,R u i J i e,J i nF e i,L i uZ h i,L i nY u z h u nI n s t i t u t eo fG e o s p a t i a l I n f o r m a t i o n,P L AS t r a t e g i cS u p p o r tF o r c eI n f o r m a t i o nE n g i n e e r i n gU n i v e r s i t y,Z h e n g z h o u ,C h i n a T r o o p s,B e i j i n g ,C h i n aA b s t r a c t:T a r g e td e t e c t i o n i s a f u n d a m e n t a l a n dr o u t i n e t a s k i nr e m o t e s e n s i n g i m a g ep r o c e s s i n g I nt h i sp a p e r,w ed e s i g nat a r g e td e t e c t i o na l g o r i t h mf o rr e m o t es e n s i n gi m a g e sb a s e do nt h eYO L O Xn e t w o r k F i r s t l y,A S F F i s a d d e d t o t h e f e a t u r e e x t r a c t i o nm o d u l eP AN e t t od e e p l ym i n e t h e f i n e f e a t u r e sw i t hi n c o n s i s t e n ts c a l ei nt a r g e td e t e c t i o n S e c o n d l y,a n E C A b a s e df e a t u r ee x t r a c t i o n m o d u l ei sd e s i g n e dw i t he f f i c i e n tc h a n n e l i n t e r a c t i o nt or e d u c et h ec o m p l e x i t yo ft h em o d e lw h i l ep a y i n g m o r ea t t e n t i o nt ot h ep o s i t i v es a m p l ef e a t u r e i n f o r m a t i o ni nt h ef e a t u r em a p T h e n,t oa v o i dt h ep r o b l e mo fg r a d i e n td i s a p p e a r a n c ea n d w e a ka c t i v a t i o ne f f e c tc a u s e db yo v e r f i t t i n g,t h eu s eo fs w i s ha c t i v a t i o nf u n c t i o n i sp r o p o s e d F i n a l l y,e x p e r i m e n t sa r ec o n d u c t e do nD OT At ov e r i f yt h eb e s tm e c h a n i s ma n de f f e c t i v e n e s so ft h ei m p r o v e d m e t h o dt h r o u g hq u a l i t a t i v ea n a l y s e so ft h ea b l a t i o ne x p e r i m e n t sa n dq u a n t i t a t i v ec o m p a r i s o n e x p e r i m e n t s W i t ht h ea d d i t i o n o f A S F F a n d E C A m e c h a n i s m sa n dt h eo p t i m i z a t i o no f t h e s w i s ha c t i v a t i o n f u n c t i o n,t h e i m p r o v e dn e t w o r km o d e l a c h i e v e s a nmA Po f ,a n i m p r o v e m e n to f o v e rt h eo r i g i n a ln e t w o r k C o m p a r e dw i t ht h ec u r r e n tw i d e l yu s e dt a r g e td e t e c t i o na l g o r i t h m sM o b i l e n e t YO L O v,YO L O v,YO L O v a n dYO L O X,t h ep r o p o s e da l g o r i t h ma c h i e v e sa n i m p r o v e m e n to f i nmA Pa c c u r a c y K e yw o r d s:p h o t o g r a mm e t r y;r e m o t es e n s i n g;t a r g e td e t e c t i o n;D OT A;E C A;A S F F引言遥感影像目标检测在地形图测绘、情报 侦察、城市规划等方面具有重要的应用价值.与传统的自然图像不同,遥感影像中的大量目标信息较为破碎,背景更加复杂,从而导致特征图上干扰信息多,个别地物目标分布密集,加剧了遥感图像目标检测的难度.传统算法在目标分割分类上的效果不佳,复杂条件下精度低,易漏检.随着人工智能技术的发展,研究人员使用深度学习技术解决遥感图像目标检测问题在多个开源目标数据集上的检测效果已远超传统算法.现有基于深度学习技术的遥感图像目标检测算法主要分为两大类:基于候选区域(t w os t a g e)的方法和基于回归分析(o n es t a g e)的方法.前者适用最广泛的为R C NN(r e g i o n s w i t h c o n v o l u t i o n a l n e u r a ln e t w o r kf e a t u r e s)及后续系列改进算法.G i r s h i c k等提出R C NN算法,对每个候选区域进行尺度归一化,根据所提取特征进行支持向量机分类和边界框 回 归.G i r s h i c k在 此 基 础 上 提 出f a s tRC NN算法,基于感兴趣区域池化(r e g i o no f i n t e r e s tp o o l i n g)进 行 区 域 特 征 选 择.R e n等提 出 了f a s t e rRC NN算法,将生成的候选区域融入模型网络中,级联了从端到端的目标检测网络,算法检测更为高效,精度极大提升.基于回归分析的目标检测算法相较于基于候选区域方法,省去了生成候选区域的步骤,在处理速度方面具有较强优势.基于回归分析的光学遥感图像目标检测以YO L O(y o uo n l y l o o ko n c e)系列为代表.其检测算法衍生出多种专项组合网络,在小目标、多尺度、多模态变化 等具有挑战性的遥感检测场景中,性能相较于原网络明显提升.但上述卷积神经网络算法在实际应用方面还存在一些问题,如多尺度特征提取对高层特征图中的弱小特征加强提取不足,目标细节化特征和语义化作用 发挥不明显;密集目标检测无法对重合目标的数量和比例进行准确的分析回归;模型网络过饱和引起梯度消失和过拟合泛化性差等.算法目标检测的精度难以满足实际需求,针对不同类型的检测对象泛化能力和识别精度仍需提高.针对上述遥感影像目标检测面临的挑战,依靠YO L O系列目标检测算法在高精度、高像素遥感目标检测领域的较大潜力和其轻量化、便携性强的部署优势,本文在改进的YO L O X(y o uo n l y l o o ko n c eX)网络基础上提出了一种新的遥感影像目标检测 算 法.首 先 在 特 征 提 取 模 块P AN e t(p a t ha g g r e g a t i o nn e t w o r k)加入了自适应空间特征融合(a d a p t i v e l ys p a t i a l f e a t u r ef u s i o n,A S F F)网络,以解决多尺度目标检测问题.其次,设计了基于E C A(e f f i c i e n tc h a n n e la t t e n t i o n)的 特 征 提 取 模块,高效通道交互更加关注特征图中正样本特征信息的同时显著降低了模型的复杂性.再次,为了避免过拟合造成梯度消失、激活效果弱的问题,提出使用s w i s h激活函数.最后,通过消融实验和对比试验,从改进机制选取上进行定性对比,利用平均正确率(a v e r a g ep r e c i s i o n,A P)和全类平均正确率(m e a na v e r a g ep r e c i s i o n,mA P)两项指标进行定量评价.Y O L O XYO L O X是旷世公司 年月提出的新型单阶段目标检测网络,在沿袭YO L O系列的强大提取能力和深层次网络特性之余,创新使用了F o c u s主干网络、d e c o u p l e dh e a d预测分支解耦、M o s a i c数据增强和a n c h o r f r e e机制.YO L O X网络在YO L O系列中具有代表性和突出性,选择在该算法的基础上进行改进,以更好地解决遥感影像目标检测问题.吉 林 大 学 学 报(地 球 科 学 版)第 卷改进策略本文算法的结构(图)主要由三部分构成:以残差网络和F o c u s模块 为基础的主干网络C S P(c r o s ss t a g ep a r t i a l)D a r k n e t、基于P AN e t的特征金字塔网络(f e a t u r ep y r a m i dn e t w o r k s,F P N)以及以解耦头(d e c o u p l e dh e a d)为基础的YO L O H e a d解耦器检测模块.首先,在主干网络特征图和采样层输出部分添加了不降维E C A,有效避免了降维对于通道注意力学习效果的影响,并可加强提取高层特征图中的弱小特征;其次,在F P N中融合A S F F模块,通过扩大感知域和挖掘高级语义特征,来兼顾底层特征中的细粒度;最后,对全局网络激活函数进行了调 整,在C S P L(c r o s ss t a g ep a r t i a ll a y e r)和C B S(c o n v o l u t i o nb a t c hn o r m a l i z a t i o ns i g m o i dl i n e ru n i t)模块中使用了s w i s h激活函数,在稳定梯度曲线的同时加快收敛.自适应空间特征融合YO L O X使用P AN e t的方式进行特征融合,这种方式无法充分挖掘多尺度特征信息;因此在改进网络中引入A S F F结构,依托每一层的权重参数与特征相乘相加的映射融合,高效过滤其他层的特征,抑制负面信息,保留重要局部区域信息,使得提取的细粒度特征更加精细化和层次化.原理如下.令Xl、Xl、Xl为来自第l层的个特征图,将其与对应的可学习权重相乘并相加得到融合后的特征.第l层特征图学习到的参数为:li jeli jeli jeli jeli j;li jeli jeli jeli jeli j;li jeli jeli jeli jeli j.()式中:i代表行;j代表列;参数li j、li j、li j分别为Xl、Xl、Xl经过卷积得到.这个参数需要满足以下条件:li jli jli j;li j,li j,li j,.()最终在第l层的输出结果为yli jli jXli jli jXli jli jXli j.()式中,yli j为自适应空间特征融合后得到的新特征图.局部跨通道交互注意力机制为更好地将通道和空间注意信息相结合,避免降维操作对通道注意力的预测产生负面影响,减少不必要、低效率的依赖关系获取,在P AN e t特征提取模块嵌入了E C A模块.对于不降维的聚合特征yRC(C为通道数),其各通道的权重为w(CD,k(y).()S P P空间金字塔池化;B N批标准化.图本文算法网络结构F i g A l g o r i t h m i cn e t w o r ks t r u c t u r e第期 李美霖,等:基于改进YO L O X的遥感影像目标检测算法式中:为标准差;C D,k表示在C个通道中进行卷积核大小为k的一维卷积运算.在E C A模块中,权重矩阵Wk对角线元素互异(wi,j为第i行第j列的权重),各通道间完全独立,有效避免通道间交互作用:Wkw,w,w,kw,w,kw,k wC,Ck wC,C.()式中,k与C成正比,由算法自适应确定:kl o gCo d d.()式中,o d d表示对获得的数值取距离最近的奇数.使用分组卷积对高低维通道进行分组,在共享学习参数的同时降低模型复杂度.该模块将输入特征图进行全局平均池化操作,进行卷积核大小为k的 D卷积操作,经过s i g m o i d函数计算得到不同通道的权重值,通过对原始特征图和计算权重对应相乘,获得所需输出特征图.在对主干网络C S PD a r k n e t和特征提取网络P AN e t的改进策略中,本文在主干网络中个残差网络的输出特征和特征提取网络中的个采样层上添加E C A来优化网络性能,结构优化见图.s w i s h激活函数针对YO L O X中S i L U(s i g m o i dl i n e ru n i t)激活函数训练时可能出现的梯度消失、激活效果弱等问题,使用s w i s h激活函数进行改进,该函数在深层网络结构中拥有更强的抗过拟合能力,可有效防止因激活函数过饱和引起的神经网络性能损耗下降.s w i s h函数公式为S x()x(G(x).()式中:x为输入数据;G(x)为卷积层的输出;()为s i g m o i d函数.s w i s h函数没有上边界,有下边界,不会出现过梯度饱和的现象,且可以产生更强的正则化效果;非单调处处连续且可导的特性使其更容易训练.使用s i g m o i d函 数 能 够 稳 定 数 值 的 波 动 变 化 幅 度,确保深层 网络计算迭 代能够输出 较为可靠的 结果.实验结果与分析实验环境及参数设置实验操作系统为W i n d o w s ,搭载的C P U版本为 t hG e nI n t e l(R)C o r e(TM)i H,G P U为NV I D I A G e F o r c eR T X T I,深度学习框架为T o r c h c u .实验应用迁移学习思想,使用P a s c a lv o c 数据集预训练权重.训练采取冻结和解冻两个阶段进行.冻结训练参数:训练周 期 为,批 处 理 数 为,学 习 率 为 ,权重 衰 减 率 为 ,优 化 器 采 用S G D(s t o c h a s t i cg r a d i e n td e s c e n t).解冻训练参数:训练周期为 ,批处理数为,学习率等保持不变.数据集本文采用的数据集为D OT A(d a t a s e t f o ro b j e c td e t e c t i o n i na e r i a l i m a g e s).该数据集的影像主要来源为G o o g l eE a r t h,尺寸为 p x,分辨率为 p x p x.对数据集进行筛选,剔除部分影像质量差、误注漏注的样片,选取 幅光学遥感影像,共计 类、个子目标位置信息(表).表子目标数量分布T a b l eD i s t r i b u t i o no f t a r g e t s地物种类目标数量地物种类目标数量桥梁 大型车辆 小型车辆 飞机(不含直升机)棒球场 环形交叉路口 篮球场 网球场 港口 直升机 田径场 船舶 足球场 游泳池 储油罐 合计 消融实验为定性分析本文改进策略对网络的贡献程度,以YO L O X为基线系统,利用D OT A测试实验效果.参数设置及实验环境保持一致,实验方案如表所示,结果如表所示.上述实验可以得出以下结论.)子目标数据量对检测精度的影响:当子目标数据量过少时,实验无法学习到足够特征,影响检测性能.如,数据集总目标数量为 ,子目标直吉 林 大 学 学 报(地 球 科 学 版)第 卷升机的数量为 ,该目标样本数量少,且远低于同类目标飞机(不含直升机)的 ;在遥感影像上,直升机与飞机(不含直升机)的特征容易混淆,直升机地物检测分类A P低(表).为排除算法改进对实验的影响,仅使用原算法(即方案一)进行实验分析,探讨数据量对精度的影响程度.在方案一中直升机A P值仅为 .表消融实验方案T a b l eA b l a t i o ne x p e r i m e n tp l a n序号实验方案方案一YO L O X方案二YO L O XA S F F方案三YO L O XE C A方案四YO L O Xs w i s h方案五(本文算法)YO L O XA S F FE C As w i s h)子目标数量对模型效果的影响:当子目标数量过少时,该类目标可获取的样本和特征过少,可参考性不强,算法网络针对性差,误检率高,模型不稳定,效果评价不准确.如图所示,从数据集中随机抽取 即 幅遥感影像进行检测时,识别出 类地物、共计 个目标,其中足球场数量最少,仅为 个(图 a),而误检率最高,达到(图 b);但足球场A P提升最高,为 (表).分析发现,受足球场样本数量过少的影响,每次模型训练和验证时A P容易发生较大波动,不具备稳定的识别能力,从而错误检出率也最高.因此,数量较少的子目标类别,不适合用于模型效果评价.)小目标地物、密集目标地物检测效果弱:小目标特征不明显、易被干扰使其检测特征少,容易漏检和误检;密集目标检测往往在小目标检测困难的前提下,还兼具单目标密集分布和多目标混合分布的现象,特征信息更加复杂,定位检测困难.如:船舶停放较为灵活,往往出现多条船舶密集停放、船舶与港口紧邻、船舶在岸上与车辆混杂的情况,方案一船舶检测A P为 ;篮球场多为集中排列,方案一篮球场检测A P为 .船舶和篮球场检测效果不佳.)检测效果受目标背景复杂程度制约:背景单一、干扰信息少的目标检测精度高.飞机多停放在遮挡少、背景单一的停机坪、跑道、场坪上,极少与其表消融实验结果T a b l eA b l a t i o ne x p e r i m e n t a l r e s u l t地物种类A P/方案一方案二方案三方案四方案五桥梁 小型车辆 棒球场 篮球场 港口 田径场 足球场 储油罐 大型车辆 飞机(不含直升机)环形交叉路口 网球场 直升机 船舶 游泳池 mA P/第期 李美霖,等:基于改进YO L O X的遥感影像目标检测算法图目标数量(a)和误检率(b)F i g T a r g e tq u a n t i t y(a)a n d l o g a v e r a g em i s s r a t e(b)他目标混杂,易于识别检测,方案一飞机(不含直升机)检测A P为 ,原网络检测即可取得较好效果.由 表可 以 看 出,通 过 消 融 实 验 分 别 引 入A S F F、E C A、s w i s h机制的种网络,在原网络的基础上,mA P分别提升了 、.实验结果表明,几种改进机制对网络效果的提升都有正向的促进作用,其中s w i s h优化激活函数提升效果最明显.分析发现,使用了s w i s h激活函数后,产生了更强的正则化效果,增强了某些信息的表达,并有效抑制了部分信息,其非单调且处处可导的特性使得深层网络中数值幅度容易控制,网络的逼近能力更加强大,增益效果明显.本文所选的改进机制大多从优化特征提取机制、聚焦局部特征和正面特征、提升分类回归效果入手.通过改进机制组合和消融实验定量测试得出:当组合了A S F F、E C A、s w i s h模块时,改进网络较原YO L O X网络mA P提升 ,组合机制在单一改进模式的基础上取得了更好的效果.对比实验D OT A拥有高精度多目标标签信息.本文实验中,将 原数据集标 签信息在影 像上可视化,以mA P为指标定量分析,与实验结果进行比对.为验证本文算法的实用性和有效性,选择了几种应用较广的深度学习目标检测算法:M o b i l e n e t YO L O v、YO L O v、YO L O v,以及原YO L O X与本文算法进行对比,对比结果如图所示.基于图 a中的数据集可视化结果,对不同算法的性能进行评估,得出如下结论.)分类精度提升.从预测信息分析可得,针对单一目标,本文算法较其他几类算法判定概率提升,确保了目标检测的准确性,模型网络的分类精度更高.)本文算法更适用于多目标分类检测.本文算法性能均衡,既能针对不同尺度目标进行识别检测,又能准确分类回归,分类检测性能较其他几类算法更全面,适用性更强效果更好.)检测性能更强.当影像色调趋于一致、植被种类混杂时,在原始数据集标定目标的基础上,本文算法相较其他算法能在影像右下角的林带中(箭头指示处)额外识别出更多密集停放的小型车辆信息,标签数量明显增加;说明本文算法检测出的目标数量更多,针对车辆识的别分类准确程度更高,分类检测出目标的性能更强,更能聚焦感兴趣的地物信息,在背景信息复杂的影像中效果更好.而且,原D OT A数据标注存在位置不准确、误注漏注现象(图 a中箭头处);对模型网络进行优化后,减小了原数据的偏差,回归分类更为精准,定位检测精度更高(图 f).表中 的 精 度 数 据 表 明:与M o b i l e n e t YO L O v、YO L O v、YO L O v、YO L O X相比,本文算法实现了mA P 的提升;相较于YO L O v 网络,本文算法在足球场检测效果提升最明显,A P提升达到了 .在应用于D OT A吉 林 大 学 学 报(地 球 科 学 版)第 卷时,本文算法在除直升机外的大部分地物检测分类中获得了显著的效果提升,表明其在多目标检测型具有显著的优势和极强的适用性;本文算法在密集分布目标类上的检测精度提升较大,在桥梁、大小型车辆、储油罐、飞 机、环 形 交 叉 路 口、船 舶 等 都 取得了较好的检测效果,说明其在当前目标检测网络a D O TA数据(红框为标签);b M o b i l e YO L O v;c YO L O v;d YO L O v;e YO L O X;f 本文算法.图不同算法实验结果F i g D e t e c t i o nr e s u l t so fd i f f e r e n tn e t w o r k表不同算法对 类目标的实验结果T a b l eD e t e c t i o nr e s u l t so fd i f f e r e n t a l g o r i t h mf o r t y p e so f t a r g e t s地物种类A P/M o b i l e n e t YO L O v YO L O v YO L O v YO L O X本文算法桥梁 小型车辆 棒球场 篮球场 港口 田径场 足球场 储油罐 大型车辆 飞机(不含直升机)环形交叉路口 网球场 直升机 船舶 游泳池 mA P/第期 李美霖,等:基于改进YO L O X的遥感影像目标检测算法中实用性较强,优势明显.相较于原YO L O X算法(采取默认参数设置),本文算法实验的各类A P提高了 ,在除直升机外的全部地物类别实现了精度提升,mA P提高了 ,证明了本文算法对于改进YO L O X网络模型的有效性.对原始D OT A样片标签可视化结果和实验预测样片效果综合进行分析和比较,结果如图所示.可以看出,本文算法能够有效对地物目标进行分类检测,一是能够实现地物种类的高精度定位识别,二是正确分类识别的概率较高,具有较好的识别能力.但也存在着很明显的短板缺陷:一是小目标信息丢漏严重,在同一景影像中同时出现尺度相差较大的不同种类地物时,飞机(不含直升机)、大型汽车等尺寸较大的地物类别能实现 以上的高精度识别,a、c、e、g 原始数据集;b、d、f、h 本文算法实验检测效果.图数据集标签和本文算法预测效果对比F i g C o m p a r i s i o nb e t w e e no r i g i n a l d a t a s e t a n dd e t e c t i o nr e s u l t so f t h ea l g o r i t h mi nt h i sp a p e r吉 林 大 学 学 报(地 球 科 学 版)第 卷尺寸较小的地物如小型车辆等地物类别,丢漏情况较为明显(图 f);二是密集目标检测效果仍有较大提升优化空间,当船舶停靠码头过近过密时,船舶和码头目标不易区分,模型检测效果不佳,相较于原数据样片标定位置,未能进行有效识别(图 h).下一步,我们也将把小目标地物和密集目标检测作为改进优化的方向.结论与建议)本文设计了基于改进YO L O X网络的遥感影像 目 标 检 测 算 法,联 接 自 适 应 空 间 特 征 融 合(A S F F)网络,在多尺度目标上检测效果明显提升.)设计了基于E C A的特征提取模块,抑制了错误背景信息干扰.)提出使用s w i s h激活函数,增强了算法鲁棒性.)在遥感影像上的实验证明,本文算法在多分类、复杂背景信息下检测性能优越,可应用于遥感影像地物提取和目标分布检测,为测绘生产提供有力支撑.下一步将针对当前部分目标数据量不足的问题,探索构建适用于多分类目标检测中小样本数据集的检测算法.参考文献(R e f e r e n c e s):王博帅,蒲东川,李婷婷,等基于多源遥感影像的长春市城市建成区提取J吉林大学学报(地球科学版),():W a n gB o s h u a i,P u D o n g c h u a n,L iT i n g t i n g,e ta l M a p p i n go fU r b a nB u i l t u p A r e ao fC h a n g c h u nC i t yB a s e do n M u l t i S o u r c e R e m o t eS e n s i n gI m a g e sJJ o u r n a lo fJ i l i n U n i v e r s i t y(E a r t hS c i e n c eE d i t i o n),():李忠潭,薛林福,冉祥金,等基于卷积神经网络的智能找矿预测方法:以甘肃龙首山地区铜矿为例J吉林大学学报(地球科学版),():L i Z h o n g t a n,X u e L i n f u,R a n X i a n g j i n,e t a l I n t e l l i g e n t P r o s p e c t P r e d i c t i o n M e t h o d B a s e d o nC o n v o l u t i o n a l N e u r a l N e t w o r k:A C a s e S t u d y o fC o p p e r D e p o s i t s i n L o n g s h o u s h a n A r e a,G a n s uP r o v i n c eJ J o u r n a l o f J i l i nU n i v e r s i t y(E a r t hS c i e n c eE d i t i o n),():王明常,刘鹏,陈学业,等基于G E E的东北三省城市建设用地扩张研究J吉林大学学报(地球科学版),():W a n gM i n g c h a n g,L i uP e n g,C h e nX u e y e,e t a l L a n dE x p a n s i o n o f U r b a n C o n s t r u c t i o n i n t h e T h r e eP r o v i n c e so fN o r t h e a s tC h i n aB a s e do nG o o g l eE a r t hE n g i n eJ J o u r n a lo fJ i l i nU n i v e r s i t y(E a r t hS c i e n c eE d i t i o n),():任伟建,刘泽宇,霍凤财,等一种改进的多光谱遥感图像超像素分割算法J吉林大学学报(理学版),():R e n W e i j i a n,L i u Z e y u,H u o F e n g c a i,e ta l A nI m p r o v e d S u p e r p i x e l S e g m e n t a t i o n A l g o r i t h m o fM u l t i S p e c t r a lR e m o t eS e n s i n gI m a g e sJ J o u r n a lo fJ i l i nU n i v e r s i t y(S c i e n c eE d i t i o n),():G i r s h i c kR,D o n a h u eJ,D a r r e l lT,e t a l R i c hF e a t u r eH i e r a r c h i e s f o r A c c u r a t eO b j e c t D e t e c t i o n a n dS e m a n t i c S e g m e n t a t i o nC/I E E E C o n f e r e n c e o nC o m p u t e rV i s i o na n dP a t t e r nR e c o g n i t i o n P i s c a t a w a y:I E E EP r e s s,:G i r s h i c k R F a s tR C NNC/I E E E C o n f e r e n c eo nC o m p u t e r V i s i o n N e w Y o r k:I E E E P r e s s,:R e nSQ,H eK M,G i r s h i c kR,e ta l F a s t e rR C NN:T o w a r d s R e a l T i m e O b j e c t D e t e c t i o n w i t h R e g i o nP r o p o s a lN e t w o r k sJ I E E ET r a n s a c t i o n so nP a t t e r nA n a l y s i sa n d M a c