高斯Wasserstein距離改進輕量YOLOv7模型的遙感影像道路交叉口檢測

康傳利, 張思瑤, 李玄皓, 林梓濤, 耿崇銘, 張賽, 王世偉

(桂林理工大學測繪地理信息學院, 桂林 541006)

道路交叉口檢測是城市路網更新、交通網絡分析與建模的重要依據[1],其準確的檢測結果有利于道路網的構建。在遙感影像中道路提取的結果通常不連續,為滿足應用,需要利用道路交叉口檢測輔助道路網的提取。而道路交叉口在遙感影像上受樹木遮擋、與周圍地物特征相近、自身目標小且密集,諸多特征導致檢測難度大、精度低,需要大量人工干預。因此,如何利用更輕量的模型準確地進行遙感影像道路交叉口檢測亟待解決。

傳統的道路交叉口檢測主要包括聚類算法、張量投票、支持向量機等。文獻[2]針對單一數據源對于道路交叉口的描述能力有限設計了一種集成形態學處理、密度峰值聚類與張量投票提取種子交叉口的方法;文獻[3]使用具有噪聲的基于密度的聚類方法(density-based spatial clustering of applications with noise,DBSCAN)得到道路交叉口的中心坐標;文獻[4]通過計算出疑似特征點以及層次密度聚類算法(hierarchical density-based spatial clustering of applications with noise,HDBSCAN)得到道路交叉口。但以上方法都依賴于低層次特征,需要大量的人工干預。

隨著中外學者的不斷研究,深度學習方法憑借深度網絡強大的學習能力和高效的特征表達能力,能夠從像素級別原始數據到抽象的語義概念逐層提取信息。近年來,深度學習目標檢測模型YOLOv5[5]、YOLOF[6]、YOLOv7[7]及其改進模型[8-9]被相繼提出。文獻[10]在YOLOv3中引入輕量級網絡Mobilev3模塊改進特征提取網絡,減小模型復雜度。文獻[11]基于YOLOv5s算法提出一種輕量化改進的檢測識別方法。……