Page 27 - 《武汉大学学报（信息科学版）》2025年第6期

第 50 卷第 6 期 甄 杰等：面向应急通信选址的增强卷积神经网络山顶点快速提取方法 1049

图 10 不同分辨率和等高距数据对比图
Fig. 10 Comparison of Data at Different Resolutions and Contours

模型运行硬件环境为 Windows 10 操作系统， 4.2 模型评估
使用显卡 NVIDIA GeForce GTX 4060Ti 16 GB， 训练结束并预测成功后，为了探究改进方法
运行内存 32 GB，CPU 为 Intel i5 13600kf，编程框 的 提 升 ，将 在 原 始 Faster R-CNN 算 法 下 使 用 的
VGG 模型、ResNet 模型和改进 ResNeSt 模型、改
架采用 Python+Pytorch-GPU。模型采用动态调
进 ResNeSt+FPN 模 型 进 行 对 比 分 析 。 本 文 识
整学习率的方式，范围是［0.000 1，0.01］。预训练
别结果只有山顶区域和非山顶区域两个类别，对
迭代次数共 300 次，其中冻结训练 50 次，解冻训
所有识别结果按 3 个锚框大小的面积分为小、中、
练 250 次。锚框设置尺寸通过聚类分析共获得 3
大 目 标 3 类 ，分 别 为 AP1、AP2、AP3，通 过 计 算
类 结 果 ，将 锚 框 尺 寸 设 置 为 27.16×26.95、
mAP 与 F1 分数来衡量增强模型的性能。
40.25×40.4、85.5×86.4共 3种尺寸，最后得到 9个 对本文提出的增强方法进行训练和预测后
初 始 锚 框 。 RPN 模 块 中 特 征 提 取 网 络 选 择 的情况如图 11 所示，包括损失曲线、mAP 曲线和
ResNeSt+FPN 模型。 精确率‑召回率（P‑R）曲线。

图 11 模型训练与预测情况
Fig. 11 Model Training and Prediction Status

由图 11（a）可以看出，损失曲线平稳下降，展 精度相对较低。
示出模型训练过程中性能稳定提升，没有出现过 以 Faster R-CNN 算 法 为 基 础 ，分 别 采 用
拟合现象，在迭代 200 次之后开始趋于稳定，模型 VGG 模型、ResNet 模型、ResNeSt 模型与本文改
能够捕捉到训练集中的特征规律。由图 11（b）可 进的 ResNeSt+FPN 模型进行对比，结果见表 2，
以看出，迭代 300 次之后 mAP 达到了 94.92%；由 其中精确率主要展示小目标精确率。
于本文特征数据集中小目标区域较多，难于识别 通 过 对 比 实 验 可 得 ，准 确 率 、精 确 率 、召 回
或易于混淆，针对小目标处理后的增强模型仍需 率、F1 分数均有提升，3 类目标区域的 mAP 达到
要较多代训练，最终小目标（AP1）的 mAP 达到了 了 94.92%，本文增强 Faster R-CNN 算法相较于
96.17%，略高于中目标（AP2）的 95.4% 和大目标 其他算法能够更加精确识别山顶点区域。
（AP3）的 93.17%，取得了较好的效果；中目标大 ResNeSt 模 型 的 改 进 使 得 训 练 速 度 从 7.2 h
小 适 中 ，相 较 于 小 、大 目 标 更 易 于 识 别 ，训 练 较 缩短至 6.8 h，大幅减少了训练所需时间，并在准
快；大目标区域形状复杂，有大量背景特征，识别 确率与精确率上分别提升至 89.74% 和 92.32%，