一种改进YOLOv3的学校场所目标识别方法

基于遥感影像进行特定场所类型的识别在智慧城市规划、土地利用分析、平安城市建设等多方面都具有重要意义.然而,不同场所的环境景观属性(如道路和停车场等)比较复杂,难以用传统的分类或目标识别方法基于简单的规则进行识别.卷积神经网络具有较强的空间信息挖掘能力,尝试对著名的YOLOv3 模型进行改进,提出一种名为YOLO-S-CIoU的新模型,用于学校场所目标的识别.主要改进工作包括:1)使用SRXnet模块替换YOLOv3 中的Darknet53 模块以提高特征学习能力;2)利用complete-IoU loss(CIoU loss)优化边界框的回归;3)基于自制的学校场所样本数据集(SS 数据集)进行训练和验证.实验结果表明,YOLO-S-CIoU的平均精度(AP)达到 96.46%;参数量为 226 MB.与改进前 YOLOv3 相比,YOLO-S-CIoU实现了参数量9MB的下降以及AP 2.3%的提升.此外,在新疆图木舒克市和烟台市区域遥感影像中对学校场所目标识别,召回率比YOLOv3 分别提高 37.5%和 42.2%.这表明改进后的网络模型在不同地理区域的遥感影像识别中具有更强的鲁棒性和更高的识别能力.