為了有效提高無(wú)人機(jī)航拍圖像的識(shí)別準(zhǔn)確率，本文提出了一種基于深度殘差網(wǎng)絡(luò)的深度卷積神經(jīng)網(wǎng)絡(luò)模型。該模型在深度殘差網(wǎng)絡(luò)的基礎(chǔ)上使用了隨機(jī)化ReLU激勵(lì)函數(shù)，能夠使網(wǎng)絡(luò)擁有更加快速的收斂速度，同時(shí)針對(duì)深度殘差網(wǎng)絡(luò)層數(shù)較深，且部分參數(shù)在梯度下降的傳播過(guò)程中參與度不高的特點(diǎn)，利用隨機(jī)失活有效降低整個(gè)網(wǎng)絡(luò)訓(xùn)練量，進(jìn)而提高網(wǎng)絡(luò)的訓(xùn)練速度。經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證，本文提出的圖像識(shí)別算法相比幾種經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)模型擁有更高的識(shí)別準(zhǔn)確度。

　　航拍圖像是通過(guò)飛行器或衛(wèi)星等設(shè)備對(duì)目標(biāo)區(qū)域拍攝的圖像，在軍事目標(biāo)偵察和民用方面具有重要作用。近年來(lái)隨著無(wú)人機(jī)的快速發(fā)展，依托無(wú)人機(jī)航拍圖像進(jìn)行目標(biāo)偵察或民用測(cè)繪作業(yè)相比衛(wèi)星航拍圖具有經(jīng)濟(jì)、高效、方便等多方面優(yōu)勢(shì)。而在進(jìn)行航拍圖像識(shí)別作業(yè)時(shí)，人工方式效率偏低，且需要進(jìn)行一定的培訓(xùn)才能進(jìn)行識(shí)別工作，成本較高。傳統(tǒng)的算法識(shí)別通常采用特征提取加分類(lèi)器選擇的方式，例如Gabor 特征、Gradient 特征結(jié)合貝葉斯分類(lèi)器或支持向量機(jī)分類(lèi)器的方式，雖然相對(duì)人工方式效率較高但識(shí)別率偏低，容易造成誤判、錯(cuò)判。