来源：期刊VIP网 时间：
作者：郝志航;张小咏;陈正超;卢凯旋;
单位：北京信息科技大学高动态导航技术北京市重点实验室;中国科学院空天信息创新研究院;
摘要：目的 为解决传统污水处理厂检测耗时耗力，很难满足大范围、高频次污水处理厂监测的问题，方法 选取国产高分二号卫星影像（GF-2）数据作为样本制作来源，选择京津冀地区作为研究区域，以深度学习技术作为基础，提出一种面向污水处理厂目标提取的自适应可变形卷积网络（adaptive deformable convolution network,ADCN）。结果 消融实验结果表明，随着卷积神经网络深度逐步递增，模型精确度和召回率均有所提高；通过特征金字塔融合的多尺度特征，有效弥补了小目标漏检的缺陷，ADCN在以上基础上增加的可变形卷积和可变形区域池化，在提高精度的同时，可明显改善边框的回归精度，ADCN在精度为85%的前提下，召回率达到95.1%；对比实验表明，相比于SSD,YOLO,Retinanet,Faster R-CNN算法，ADCN的mAP精度最高，达95.32%，同时该算法在大、中、小三种尺度的污水处理厂提取的结果中表现优异；通过ADCN对京津冀地区的污水处理厂进行提取，共提取京津冀地区污水处理厂152个，其中北京15个、天津26个，河北111个，人工对比后误检为17个，检出率为92.68%。结论 通过结合深度学习技术和遥感影像数据，可以大范围、快速提取污水处理厂目标，有效解决传统污水处理厂检测耗时问题，提高对污水处理厂的管理和监控。
关键词：深度学习;;目标检测;;污水处理厂目标提取;;京津冀地区;;可变形卷积
基金资助：国家自然科学基金资助项目（41871348）;; 国家科技重大专项项目（03-Y30F03-9001-20/22）
