【摘要】：現(xiàn)代遙感技術的不斷發(fā)展,涌現(xiàn)出大量空間分辨率更高、內容更加豐富的遙感圖像,為遙感圖像各領域的研究提供了重要的分析條件和資源。遙感圖像目標檢測作為遙感圖像處理中的首要任務,在軍事和民用領域有著重要的實際應用價值,受到了國內外學者的廣泛關注和研究。近年來,深度學習模型尤其是深度卷積神經網(wǎng)絡,因其具有良好的語義特征提取能力,在自然場景圖像目標檢測中得到了廣泛而成功的應用。由于遙感圖像與自然場景圖像的成像方式不同,直接將這些深度學習方法運用到遙感圖像領域,會存在小目標丟失嚴重、抗干擾性差、密集目標丟失誤判等諸多問題,因此,本文圍繞深度學習方法在衛(wèi)星可見光遙感圖像目標檢測中的應用展開研究,主要的研究工作及成果概括如下:(1)針對目前的深度特征對遙感圖像中小目標的特征響應較低、抗干擾能力差的問題,提出一種基于空洞卷積與上下文信息的深度特征提取方法,并嵌入到Faster R-CNN目標檢測框架中。該方法通過有效提升特征圖分辨率增強小目標響應,通過增加上下文信息輔助分類器判別。此外,由于公開的遙感圖像目標檢測數(shù)據(jù)集資源的匱乏,本文為大型地物目標和小型地物目標分別構建和標注了BODRS-2和TODRS-3數(shù)據(jù)集。實驗結果表明,提出的方法能夠有效降低遙感圖像目標檢測的漏警率和虛警率,且魯棒性高,不論是在小數(shù)據(jù)量數(shù)據(jù)集還是大數(shù)據(jù)量數(shù)據(jù)集上都能夠取得較好的檢測效果。(2)針對目前大多數(shù)基于深度學習的目標檢測算法采用的水平邊界框目標定位方式,對遙感圖像中密集分布、方向任意的目標定位不準確造成漏檢的問題,提出一種基于任意角度邊界框的目標定位方法,并嵌入到Faster R-CNN目標檢測框架中。該方法引入任意角度邊界框對目標進行“無冗余”定位,為了適應長寬比較大的艦船目標添加了相應的錨點比例設置,為了降低任意角度邊界框對水平邊界框預測的干擾,加大了水平邊界框回歸的權重。與經典目標檢測算法的對比結果表明,所提方法能夠有效地降低遙感圖像目標檢測的漏警率和虛警率。(3)為提高目標檢測的效率,提出一種高分辨率衛(wèi)星可見光遙感圖像分級目標檢測方法,先在降采樣后的低分辨率圖像上檢測出大型地物目標,然后將檢測出的目標范圍映射回原始高分辨率圖像,最后進行小型地物目標的檢測。本文基于上述工作構建了一個遙感圖像目標檢測實驗驗證系統(tǒng),并在已有衛(wèi)星可見光遙感圖像數(shù)據(jù)上對該分級目標檢測方法的性能進行了測試與評估。
【學位授予單位】：中國科學技術大學
【學位級別】：碩士
【學位授予年份】：2019
【分類號】：TP751;TP181

【相似文獻】

相關期刊論文 前10條

1 ;圖像目標檢測技術及應用[J];大數(shù)據(jù);2016年05期

2 李曉冰;;具有先驗信息的經緯儀測量圖像目標檢測技術[J];光電技術應用;2008年01期

3 賀霖;潘泉;邸椺;李遠清;;高光譜圖像目標檢測研究進展[J];電子學報;2009年09期

4 張裕;楊海濤;劉翔宇;;基于多尺度特征稠密連接的遙感圖像目標檢測方法[J];中國電子科學研究院學報;2019年05期

5 范金華;陳鍛生;;高光譜圖像目標檢測研究進展[J];微型機與應用;2015年16期

6 王艷,鮑建躍,林曉春,過潤秋;基于FPGA的紅外圖像目標檢測[J];西安電子科技大學學報;2005年03期

7 強贊霞,彭嘉雄;基于融合及數(shù)學形態(tài)學的遙感圖像目標檢測[J];計算機工程;2005年10期

8 聶永剛;但志平;;足球賽場運動視頻圖像目標檢測仿真[J];計算機仿真;2017年07期

9 張鐵棟;萬磊;秦再白;馬悅;;基于離散分數(shù)布朗隨機場的水下圖像目標檢測[J];光電工程;2008年08期

10 石志廣;周劍雄;張焱;;圖像目標檢測前跟蹤的廣義多伯努利濾波算法[J];紅外與毫米波學報;2018年03期

相關會議論文 前7條

1 李國強;艾淑芳;;一種天空背景紅外圖像目標檢測方法[A];第九屆全國光電技術學術交流會論文集（下冊）[C];2010年

2 黃家閩;楊瓏頎;;基于隨機共振和支持向量機的聲納圖像目標檢測[A];信號處理在生儀2014學術年會論文集[C];2014年

3 劉東華;王元欽;李秋娜;;小波分析理論在圖像目標檢測中的應用[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

4 高飛;劉愛冬;;基于深度卷積神經網(wǎng)絡的SAR圖像目標檢測[A];第十二屆全國信號和智能信息處理與應用學術會議論文集[C];2018年

5 劉代志;何元磊;黃世奇;;基于地物波譜特性的高光譜圖像目標檢測與識別[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

6 潘雄;郎量;苗燦;趙盈盈;杜雨馨;朱杏子;;基于深度學習的被動毫米波圖像目標檢測方法研究[A];2019年全國微波毫米波會議論文集（上冊）[C];2019年

7 劉向君;楊澤剛;劉強;;基于多波段SAR圖像目標檢測決策級融合和圖像分類的目標狀態(tài)標注[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

相關博士學位論文 前10條

1 王兆成;復雜場景下SAR圖像目標檢測及鑒別方法研究[D];西安電子科技大學;2018年

2 王振華;基于深度學習的野外巡線系統(tǒng)圖像目標檢測研究[D];中國地質大學(北京);2018年

3 黃勇;基于語義信息的高分辨SAR圖像目標檢測[D];西安電子科技大學;2018年

4 張國敏;復雜場景遙感圖像目標檢測方法研究[D];國防科學技術大學;2010年

5 劉說;低檢測率SAR圖像目標檢測與識別理論研究[D];電子科技大學;2017年

6 李軒;基于局部特征的遙感圖像目標檢測方法研究[D];長春理工大學;2016年

7 李曉慧;高光譜圖像目標檢測及壓縮方法研究[D];哈爾濱工程大學;2014年

8 郭鵬宇;光測圖像目標檢測跟蹤與判讀方法研究[D];國防科學技術大學;2015年

9 郭軍;引入上下文信息的可見光遙感圖像目標檢測與識別方法研究[D];國防科學技術大學;2014年

10 傅志中;紅外掃描成像動目標檢測跟蹤技術與DSP實時實現(xiàn)[D];電子科技大學;2002年

相關碩士學位論文 前10條

1 黃國權;基于深度學習的衛(wèi)星圖像目標檢測與識別研究[D];浙江大學;2019年

2 李星悅;基于深度學習的遙感圖像目標檢測研究[D];中國科學技術大學;2019年

3 周明非;基于深度神經網(wǎng)絡的遙感圖像目標檢測研究[D];陜西師范大學;2018年

4 徐暉;基于哈希學習的遙感圖像目標檢測及應用[D];南京理工大學;2018年

5 白猛猛;深度位敏信息網(wǎng)絡的圖像目標檢測研究[D];西安工業(yè)大學;2018年

6 黎敏訥;分布式數(shù)據(jù)分層抽樣技術及其在目標檢測領域的應用研究[D];國防科學技術大學;2017年

7 侯瑤淇;基于多尺度深度網(wǎng)絡和視覺注意機制的高分辨SAR圖像目標檢測與分類[D];西安電子科技大學;2018年

8 鄧洋洋;高分辨率SAR圖像目標檢測與特征提取[D];成都信息工程大學;2018年

9 孫大鵬;空間約束聯(lián)合表示高光譜圖像目標檢測[D];中國科學院大學(中國科學院上海技術物理研究所);2018年

10 劉培;基于深度學習的圖像目標檢測與分割算法的研究與應用[D];燕山大學;2018年

，

本文編號：2652361