【摘要】：近年來(lái),遙感圖像目標(biāo)檢測(cè)已經(jīng)逐漸成為航空和衛(wèi)星圖像分析領(lǐng)域中一個(gè)基礎(chǔ)但是具有挑戰(zhàn)性的研究課題。深度學(xué)習(xí)算法作為一種可以從大規(guī)模數(shù)據(jù)中學(xué)習(xí)到高層次判別性特征的數(shù)據(jù)分析方法,已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域中的熱點(diǎn),并逐漸被引入到遙感圖像識(shí)別領(lǐng)域中。本論文以遙感圖像多目標(biāo)檢測(cè)為目的,提出了一種高效的目標(biāo)檢測(cè)方法。與普通的自然圖像有所不同,遙感圖像中的場(chǎng)景更復(fù)雜,圖像成像質(zhì)量差且存在大量尺度很小的目標(biāo)如車輛,船只等。為了保證多種尺度目標(biāo)的檢測(cè)準(zhǔn)確率,本論文在以卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)為核心的Faster R-CNN(Region with CNN)檢測(cè)框架的基礎(chǔ)上,針對(duì)多種尺度目標(biāo)檢測(cè)的問題,設(shè)計(jì)了一種新的檢測(cè)方法——尺度自適應(yīng)卷積神經(jīng)網(wǎng)絡(luò)(Scale Adaptive CNN,SA-CNN)。首先運(yùn)用雙路選框產(chǎn)生網(wǎng)絡(luò)利用多層特征層來(lái)產(chǎn)生多尺度的區(qū)域選框,低層卷積層特征分辨率較高,感受野小,便于產(chǎn)生小目標(biāo)的選框,而高層特征分辨率較小,語(yǔ)義性強(qiáng),感受野大更適合于大目標(biāo)選框的產(chǎn)生。接著將低層特征與高層特征采用相加的方式進(jìn)行融合,在保證參數(shù)量的基礎(chǔ)上提升特征的豐富性,更利于檢測(cè)網(wǎng)絡(luò)的最終預(yù)測(cè)。通過遙感圖像數(shù)據(jù)集NWPU VHR-10的訓(xùn)練和測(cè)試表明,SA-CNN在保證了大目標(biāo)物體檢測(cè)準(zhǔn)確率的同時(shí),提高了小目標(biāo)的檢測(cè)準(zhǔn)確率,所有類別的平均準(zhǔn)確率均值提升到了89.2%,該方法在NVIDIA GTX1080Ti GPU平臺(tái)中單張遙感圖片的檢測(cè)時(shí)間為0.336s,進(jìn)一步驗(yàn)證了SA-CNN的有效性和穩(wěn)定性。
【學(xué)位授予單位】：上海交通大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2018
【分類號(hào)】：TP751;TP18
【圖文】：

上海交通大學(xué)碩士學(xué)位論文絡(luò)實(shí)現(xiàn)了一個(gè)飛機(jī)檢測(cè)框架，該方法可以檢測(cè)不同旋轉(zhuǎn)，尺度的飛機(jī)。除了這些特定的物體檢測(cè)外，Gong Cheng[33,34]提出了一種多目標(biāo)檢測(cè)框架——旋轉(zhuǎn)不變性卷積神經(jīng)網(wǎng)絡(luò)(Rotation-InvariantConvolutionNeuralNetwork,RICNN)，可以有效地檢測(cè)遙感圖像中多種目標(biāo)，是一種穩(wěn)定的、高性能的檢測(cè)框架。但是 RICNN 這種方法所有物體的平均準(zhǔn)確率均值只有 72.6%，不同類別物體的檢測(cè)準(zhǔn)確率差異交大。在遙感圖像中存在大量小尺寸目標(biāo)，非常難以識(shí)別，是遙感圖像目標(biāo)檢測(cè)任務(wù)中極具挑戰(zhàn)性的部分。

深度學(xué)習(xí)的發(fā)展起源于早期人工神經(jīng)網(wǎng)絡(luò)的研究，生物學(xué)中神經(jīng)元結(jié)構(gòu)的解為人工神經(jīng)網(wǎng)絡(luò)奠定了基礎(chǔ)，感知機(jī)算法，反向傳播算法的提出與完善提供一套完善的神經(jīng)網(wǎng)絡(luò)體系。隨著硬件計(jì)算能力的提高以及圖像識(shí)別需求的增長(zhǎng)卷積神經(jīng)網(wǎng)絡(luò)逐漸成為深度學(xué)習(xí)解決圖像問題的“鑰匙”，一些層數(shù)更深，結(jié)構(gòu)復(fù)雜的模型逐漸被提出，大大提高了圖像識(shí)別的準(zhǔn)確率，同時(shí)基于卷積神經(jīng)網(wǎng)的目標(biāo)檢測(cè)方法也逐漸被提出。2.1 人工神經(jīng)網(wǎng)絡(luò)生物學(xué)上關(guān)于人腦神經(jīng)元的研究由來(lái)已久，90 年代初，神經(jīng)元的組成結(jié)構(gòu)人類所破解，如圖 2-1 所示，一個(gè)神經(jīng)元中基本構(gòu)造由樹突，軸突和細(xì)胞核組成一個(gè)神經(jīng)元通常具有多個(gè)樹突，主要用來(lái)接受傳入信息，而軸突只有一條，軸末梢與其他神經(jīng)元相連接，從而傳遞信號(hào)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 劉增偉;;關(guān)于遙感圖像云檢測(cè)方法研究進(jìn)展[J];數(shù)字通信世界;2019年04期

2 徐秋曄;李玉;林文杰;趙泉華;;基于信息聚類的遙感圖像分割[J];中國(guó)礦業(yè)大學(xué)學(xué)報(bào);2017年01期

3 彭晏飛;周娟;訾玲玲;;于衛(wèi)星地域遙感圖像分割方法研究仿真[J];計(jì)算機(jī)仿真;2017年01期

4 盛啟慧;李啟明;;航空遙感圖像幾何校正模型的效果比較[J];現(xiàn)代計(jì)算機(jī)(專業(yè)版);2017年17期

5 劉寧波;孫艷麗;王杰;;基于場(chǎng)景語(yǔ)義的遙感圖像目標(biāo)識(shí)別[J];現(xiàn)代電子技術(shù);2017年11期

6 王超英;;統(tǒng)計(jì)學(xué)習(xí)在海上遙感圖像背景去噪的算法研究[J];艦船科學(xué)技術(shù);2017年12期

7 姚銳;付卓新;;關(guān)于森林資源二類調(diào)查中遙感圖像的應(yīng)用分析[J];北京農(nóng)業(yè);2016年01期

8 李哲學(xué);;改進(jìn)高斯混合模型的遙感圖像增強(qiáng)方法[J];激光雜志;2016年07期

9 雷笑笑;;試論遙感圖像在師范地理教學(xué)中的應(yīng)用[J];山西青年;2017年03期

10 舒建文;周云真;;航空遙感圖像中道路檢測(cè)方法研究與仿真[J];計(jì)算機(jī)仿真;2013年09期

相關(guān)會(huì)議論文 前10條

1 李剛;張金榮;朱雷;汪林林;;基于多方向模糊形態(tài)學(xué)的彩色遙感圖像邊緣檢測(cè)算法[A];2009年全國(guó)開放式分布與并行計(jì)算機(jī)學(xué)術(shù)會(huì)議論文集(上冊(cè))[C];2009年

2 王耀南;王紹源;孫煒;;基于二次規(guī)劃的神經(jīng)網(wǎng)絡(luò)遙感圖像的恢復(fù)[A];中國(guó)圖象圖形科學(xué)技術(shù)新進(jìn)展——第九屆全國(guó)圖象圖形科技大會(huì)論文集[C];1998年

3 羅睿;張永生;范永弘;鄧雪清;;遙感圖像基于內(nèi)容查詢的研究與實(shí)踐[A];第十三屆全國(guó)遙感技術(shù)學(xué)術(shù)交流會(huì)論文摘要集[C];2001年

4 陳東;龐怡杰;黃勇杰;;大傾斜航空遙感圖像快速自動(dòng)鑲嵌技術(shù)[A];圖像 仿真 信息技術(shù)——第二屆聯(lián)合學(xué)術(shù)會(huì)議論文集[C];2002年

5 彭Z

本文編號(hào)：2736668