發(fā)布時間：2021-05-05 21:54

　　隨著遙感技術的迅速發(fā)展,遙感圖像的應用范圍日趨廣泛。近些年,光學遙感圖像的分辨率迅速提高、遙感圖像數(shù)據(jù)量激增,使得遙感圖像中的精細目標檢測變得可能,遙感圖像的應用不再局限于以往粗糙的遙感圖像分類。然而,現(xiàn)有的遙感圖像目標檢測技術在精度、通用性、效率等方面還達到實際應用的要求。與此同時,基于深度學習的計算機視覺技術正在迅速發(fā)展,在多個領域達到了遠超傳統(tǒng)算法的效果,具有精度高、適應性強等諸多優(yōu)勢。已經被用于諸如人臉識別、行人檢測,智能監(jiān)控等等眾多場合。故為改善現(xiàn)有的遙感圖像目標檢測技術性能不足的問題,本文研究了基于深度學習的光學遙感圖像目標檢測算法。在基于區(qū)域建議的深度學習目標檢測算法的基礎上,提出了一種適于高分辨率光學遙感圖像的多類目標檢測方法MS-FRCNN。針對遙感圖像中小目標多、目標尺度多變導致檢測模型容易漏檢的問題,借鑒特征金字塔網(wǎng)的思路,利用融合后的多層特征進行檢測。針對背景復雜、目標存在形變等挑戰(zhàn),借鑒可變形卷積網(wǎng)絡更好地提取目標本身的特征,減少背景干擾;另外,采用改進的NMS算法更好的處理邊框易重疊的目標。通過實驗表明,所提出的改進方法具有精度較高、泛化能力強等優(yōu)點,在公開... 

【文章來源】：南京郵電大學江蘇省

【文章頁數(shù)】：63 頁

【學位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 課題研究的背景與意義
    1.2 存在的難點與挑戰(zhàn)
    1.3 國內外研究現(xiàn)狀與發(fā)展
    1.4 本文的內容與安排
第二章 基于深度學習目標檢測技術理論基礎
    2.1 深度學習概述
    2.2 卷積神經網(wǎng)絡
        2.2.1 常用的卷積神經網(wǎng)絡模型與發(fā)展趨勢
        2.2.2 用于目標檢測的重要操作
    2.3 基于深度學習的目標檢測模型
        2.3.1 基于區(qū)域建議的方法
        2.3.2 基于回歸的方法
        2.3.3 多任務模型方法
    2.4 本章小結
第三章 基于區(qū)域建議的遙感目標檢測方法
    3.1 引言
    3.2 基礎網(wǎng)絡選擇
    3.3 融合高低層特征
    3.4 增強形變目標檢測能力
        3.4.1 可變形卷積
        3.4.2 可變形候選區(qū)池化
    3.5 改進的非極大值抑制算法
    3.6 實驗與結果分析
        3.6.1 實驗條件
        3.6.2 實驗數(shù)據(jù)
        3.6.3 模型訓練
        3.6.4 評價標準
        3.6.5 實驗結果與分析
    3.7 本章小結
第四章 融合語義分割的遙感目標檢測方法
    4.1 引言
    4.2 語義分割
    4.3 方法描述
        4.3.1 思路描述
        4.3.2 方案設計
    4.4 實驗與結果分析
        4.4.1 實驗數(shù)據(jù)與模型訓練
        4.4.2 實驗結果與分析
    4.5 本章小節(jié)
第五章 總結與展望
    5.1 本文工作總結
    5.2 展望
參考文獻
附錄1 攻讀碩士學位期間撰寫的論文
致謝


【參考文獻】：
期刊論文
[1]基于多尺度形變特征卷積網(wǎng)絡的高分辨率遙感影像目標檢測[J]. 鄧志鵬,孫浩,雷琳,周石琳,鄒煥新.  測繪學報. 2018(09)
[2]一種高分辨率遙感圖像視感知目標檢測算法[J]. 李策,張亞超,藍天,杜少毅.  西安交通大學學報. 2018(06)
[3]基于可見光遙感圖像的船只目標檢測識別方法[J]. 陳亮,王志茹,韓仲,王冠群,周浩天,師皓,胡程,龍騰.  科技導報. 2017(20)



本文編號：3170648