Page 24 - 《武汉大学学报（信息科学版）》2025年第6期

1046 武 汉 大 学 学 报 （信 息 科 学 版） 2025 年 6 月

合特征提取网络与特征金字塔网络，提出能够面 征 金 字 塔 网 络 ，使 用 交 并 比（intersection over
向应急通信节点并适应多尺度山顶区域定位的 union， IoU）、锚框、非极大值抑制（non-maximum
增 强 Faster R-CNN 算 法 模 型 ，针 对 大 区 域 进 行 suppression，NMS），利用训练数据集对模型进行
拆分检测后合并，提高定位识别效果，运用局部 特征识别训练，得到能够面向应急通信节点并适
极大值提取山顶点，完成对大、小范围区域山顶 应多尺度山顶区域定位的增强 Faster R-CNN 算
点的快速提取；最后对模型进行评估，并对提取 法模型。
结果、信号覆盖情况进行对比分析。总体架构如 3）山顶点识别与提取。通过模型对山顶区
图 4 所示，主要包括： 域进行识别，针对识别范围分为大、小区域，对识
1）特 征 数 据 集 构 建 与 提 取 。 通 过 DEM 数 别数据进行裁剪、标识、合并等操作提高识别精
据 获 取 等 高 线 、坡 度 、坡 向 数 据 ，统 一 量 纲 后 ， 度，将山顶区域转化为山顶点。
将 特 征 数 据 进 行 通 道 融 合 ，制 作 山 顶 点 特 征 数 4）结果分析评价。采用损失值 L、准确率 A、

据 集 。 分 析 满 足 应 急 通 信 的 山 顶 区 域 特 征 ，总 精 确 率 P、召 回 率 R、F1 分 数 、均 值 平 均 精 度
结 山 顶 区 域 筛 选 条 件 ，制 作 标 签 形 成 样 本 数 （mean average precision，mAP）等 评 价 指 标 进 行
据集。 对比分析，判断增强模型优劣，并将整体方法在
2）区 域 定 位 模 型 构 建 与 训 练 。 设 计 增 强 山 顶 点 提 取 结 果 与 信 号 覆 盖 情 况 进 行 对 比
Faster R-CNN 算法模型，融合特征提取网络和特 分析。

图 4 本文方法总体架构图
Fig. 4 Overall Architecture of the Proposed Method

3.2 增强 Faster R-CNN 算法原理 征提取网络提取特征图，经过 RPN 判断特征区域

CNN ［13］ 经 过 区 域 CNN 算 法（region-based 并 修 正 锚 框 ，从 而 生 成 精 确 候 选 区 域 。 但 由 于
［14］
CNN，R-CNN） 和 Fast R-CNN 算法 ［15］ 的发展 ， Faster R-CNN 对本文的山顶区域特征识别较弱，
文献［16］提出了 Faster R-CNN 算法，引入区域候 小目标及复杂区域难以识别，为了使其在地形特
选 网 络（region proposal network，RPN），利 用 提 征数据集中能有效识别特征信息，完成对山顶区
取边缘神经网络代替之前的选择性区域搜索，综 域的精确定位，本文提出了增强 Faster R-CNN 算
合性得到较大提升。Faster R-CNN 算法通过特 法，其流程如图 5 所示。

图 5 增强 Faster R‑CNN 算法流程图
Fig. 5 Flowchart of Enhanced Faster R-CNN Algorithm