【摘要】：遙感圖像中的車輛檢測(cè)和跟蹤在民用和軍事領(lǐng)域都發(fā)揮著重要作用,如公路交通監(jiān)控,管理和城市交通規(guī)劃等。與地面視角圖像中的車輛檢測(cè)相比,基于遙感圖像車輛檢測(cè)能夠彌補(bǔ)地面視角車輛檢測(cè)的不足,獲得城市交通狀況更全局的把握。但是由于遙感圖像單一的外觀,復(fù)雜的背景以及更小的尺寸等,當(dāng)前的研究面臨許多新的問題,比如表觀特征不夠明顯,細(xì)節(jié)特征不足,背景干擾,標(biāo)注困難等問題。此外,跨越不同分辨率和成像條件的訓(xùn)練樣本很難得到充分的標(biāo)注,因此,弱監(jiān)督車輛檢測(cè)對(duì)于衛(wèi)星圖像分析和處理非常重要。為了應(yīng)對(duì)此項(xiàng)挑戰(zhàn),本文提出了一種基于遞進(jìn)深度學(xué)習(xí)的弱監(jiān)督方法,此方法可用于在大規(guī)模應(yīng)用場(chǎng)景中訓(xùn)練智能的,輕便的車輛檢測(cè)器。該方案僅需要區(qū)域級(jí)別的組標(biāo)注——即是否此區(qū)域包含車輛而不需要顯式的標(biāo)注出車輛的矩形框,基于此,本文設(shè)計(jì)了一個(gè)新穎的弱監(jiān)督多示例排序算法從弱標(biāo)簽中遞進(jìn)地學(xué)習(xí)示例級(jí)別的分類器,具體而言,基于弱監(jiān)督標(biāo)簽在車輛檢測(cè)中的信息缺失問題,本文引入了一些額外的低代價(jià)的標(biāo)注信息作為先驗(yàn),之后基于這樣的先驗(yàn)限制,再使用基于多示例學(xué)習(xí)的算法對(duì)車輛實(shí)例進(jìn)行分類和遞進(jìn)性的定位。本文將此方法與一些常用的車輛檢測(cè)算法在數(shù)據(jù)集的表現(xiàn)做了評(píng)估對(duì)比,實(shí)驗(yàn)的結(jié)果表現(xiàn)出此方法的優(yōu)越性。綜合以上描述,本文主要致力于以下三個(gè)方面的研究:(1)本文在多種傳感器和圖像狀況下,收集大規(guī)模的車輛標(biāo)注采用一種用戶友好的,輕便的區(qū)域級(jí)別的標(biāo)注,并基于此弱標(biāo)注采用多示例的遞進(jìn)學(xué)習(xí)進(jìn)行車輛檢測(cè)。(2)由于弱監(jiān)督定位的不準(zhǔn)確性,我們將遙感的上下文信息引入地面視角的車輛檢測(cè)中,用于遙感車輛小目標(biāo)的檢測(cè),通過這種信息的遷移方式學(xué)習(xí)到的模型最終能夠高效的完成對(duì)車輛的檢測(cè)。(3)使用多示例學(xué)習(xí)從弱標(biāo)注中遞進(jìn)地學(xué)習(xí)車輛檢測(cè)器,我們以這種輕便的方式對(duì)弱監(jiān)督遙感圖像車輛檢測(cè)方法進(jìn)行了一個(gè)有益的探索,在準(zhǔn)確率和召回率上取得了更好的權(quán)衡和提高,表現(xiàn)出此方法的優(yōu)越性。
【圖文】：

圖１．１基于多示例學(xué)習(xí)的弱監(jiān)督遙感圖像車輛檢測(cè)流程圖逡逑

測(cè)有著廣泛的應(yīng)用。如軍事和島嶼防御，交通檢測(cè)，智能交通等等。逡逑２．１車輛檢測(cè)的國內(nèi)外研究現(xiàn)狀逡逑圖２．１展示了基于機(jī)器學(xué)習(xí)方法的車輛檢測(cè)的一個(gè)典型的流程圖�；谶@種逡逑形式，我們首先回顧車輛檢測(cè)的方法的四種基本類別：基于模板匹配的方法，基逡逑于知識(shí)的方法，，基于對(duì)象分析的目標(biāo)檢測(cè)方法和基于機(jī)器學(xué)習(xí)的方法。然后，為逡逑了一個(gè)更加明確的針對(duì)性，我們主要對(duì)基于機(jī)器學(xué)習(xí)方法的特征和算法做一個(gè)回逡逑顧。逡逑＾邐＾訓(xùn)練階段逡逑對(duì)象樣例邐邐邋？邐、逡逑．邋固像邐廣逡逑、邐ｙ邐＼邋車輛／目＿的＿＼邋用于檢測(cè)的逡逑＿＿分類器訓(xùn)練—，

本文編號(hào)：2678095