合成孔徑雷達(dá)圖像目標(biāo)檢測在SAR圖像解譯中占有重要地位,隨著SAR成像技術(shù)的更新發(fā)展,目標(biāo)檢測技術(shù)成為戰(zhàn)場環(huán)境偵察、地球科學(xué)遙感等領(lǐng)域中的重要研究方向。SAR數(shù)據(jù)采集能力的日益成熟,使得對(duì)效率高、性能佳的SAR圖像處理與解譯技術(shù)的需要更加迫切。得益于深度學(xué)習(xí)在計(jì)算機(jī)視覺領(lǐng)域的迅速發(fā)展,傳統(tǒng)方法提取特征耗時(shí)長、適應(yīng)性差的局限性能夠被深度神經(jīng)網(wǎng)絡(luò)對(duì)復(fù)雜數(shù)據(jù)的自動(dòng)表征能力彌補(bǔ)。本文通過分析深度學(xué)習(xí)在SAR圖像目標(biāo)檢測領(lǐng)域應(yīng)用的難點(diǎn)對(duì)相關(guān)研究現(xiàn)狀和應(yīng)用情況進(jìn)行歸納,從兩方面改進(jìn)了基于候選區(qū)域提取的雙階段檢測方法以及基于邊框回歸的單階段檢測方法。具體研究工作如下:1、以神經(jīng)網(wǎng)絡(luò)的建模過程為切入點(diǎn),從卷積層、池化層及Softmax分類器角度詳細(xì)闡述卷積神經(jīng)網(wǎng)絡(luò)的核心組成部分,并對(duì)反向傳播算法進(jìn)行推導(dǎo)。之后結(jié)合兩類典型檢測器Faster RCNN和SSD的實(shí)現(xiàn)流程進(jìn)行深入研究,分析了兩類檢測器中共有的邊框回歸和默認(rèn)框匹配策略。2、針對(duì)復(fù)雜大場景下SAR圖像目標(biāo)檢測中小尺度、部分排列密集目標(biāo)漏檢嚴(yán)重、存在大量虛警的問題,利用密集特征融合思想來增加候選區(qū)域提取的多樣性,同時(shí)結(jié)合候選框的上下文信息輔助小目... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：88 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

深度學(xué)習(xí)發(fā)展脈絡(luò)圖

國防科技大學(xué)研究生院碩士學(xué)位論文第6頁一類是基于候選區(qū)域的兩階段目標(biāo)檢測識(shí)別方法；第二類是基于區(qū)域回歸的單階段目標(biāo)檢測識(shí)別方法。兩類的方法的差異可由下圖體現(xiàn)：第一類方法先對(duì)候選區(qū)域提取再對(duì)其進(jìn)行檢測分類，因此也可稱為兩階段檢測方法；而第二類方法直接將檢測問題視為邊框回歸問題，因此也稱為單階段檢測方法。(a)基于候選區(qū)域的兩階段目標(biāo)檢測框架(b)基于區(qū)域回歸的單階段目標(biāo)檢測框架圖1.2兩種檢測框架對(duì)比圖基于區(qū)域建議（RegionProposal）的目標(biāo)檢測這類算法的主要步驟是：通過SelectiveSearch(SS)[32]、Bing[33]、EdgeBoxes[34]這些目標(biāo)候選區(qū)域生成算法，生成一系列候選目標(biāo)區(qū)域，然后通過卷積神經(jīng)網(wǎng)絡(luò)提取目標(biāo)候選區(qū)域的特征，并用這些特征進(jìn)行分類以及目標(biāo)真實(shí)邊界框的回歸。針對(duì)傳統(tǒng)檢測滑窗方式計(jì)算量大的問題，區(qū)域建議能減少很多不必要的識(shí)別過程，降低了時(shí)間復(fù)雜度且比固定長寬比的滑動(dòng)窗口質(zhì)量更高。得益于卷積神經(jīng)網(wǎng)絡(luò)在ImageNet[31]分類任務(wù)上取得的出色識(shí)別效果，2014年，RossGirshick使用目標(biāo)候選區(qū)域和CNN相結(jié)合的方法打破了傳統(tǒng)目標(biāo)檢測使用的滑動(dòng)窗口和手工設(shè)計(jì)特征復(fù)雜度高的局限性，設(shè)計(jì)了R-CNN[35]框架。該方法先對(duì)待測圖像提取特征再送入支持向量機(jī)中分類和全連接網(wǎng)絡(luò)回歸坐標(biāo)位置，使得目標(biāo)檢測取得巨大突破，并開啟了基于深度學(xué)習(xí)目標(biāo)檢測的熱潮。但由于R-CNN中單張圖片生成的候選區(qū)域過多，而且每判斷一次候選區(qū)域就要將圖片進(jìn)行區(qū)域提取再送入深度神經(jīng)網(wǎng)絡(luò)，使得算法效率不高。隨后，RossGirshick在R-CNN的基礎(chǔ)上提出了FastR-CNN[36]算法，直接在圖像對(duì)應(yīng)的深度特征圖上提取候選區(qū)域的特征圖，并用這個(gè)特征圖來做后續(xù)的識(shí)別

國防科技大學(xué)研究生院碩士學(xué)位論文第13頁圖2.1神經(jīng)元示意圖其中123x,x,x表示神經(jīng)元的輸入，123w,w,w為相應(yīng)的權(quán)重，b為偏置，f()表示激活函數(shù)。神經(jīng)元的集合組成了神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)設(shè)計(jì)時(shí)為避免前向傳播的無限循環(huán)，神經(jīng)網(wǎng)絡(luò)以無環(huán)圖的方式連接。典型的深度前饋神經(jīng)網(wǎng)絡(luò)均由多隱層、全連接且有向無環(huán)的拓?fù)湫问綐?gòu)成。如圖2.2所示，每個(gè)縱向代表神經(jīng)網(wǎng)絡(luò)的層，每層都以前一層為輸入，輸出的結(jié)果被傳入下一層。這個(gè)簡單的神經(jīng)網(wǎng)絡(luò)由輸入層、兩個(gè)隱含層以及輸出層組成。其中每層中的神經(jīng)元均與前后兩層神經(jīng)元成對(duì)連接，且層內(nèi)各神經(jīng)元之間不存在相互連接。圖2.2神經(jīng)網(wǎng)絡(luò)連接模型通�，F(xiàn)實(shí)應(yīng)用中的神經(jīng)網(wǎng)絡(luò)通過增加節(jié)點(diǎn)數(shù)擴(kuò)充維度增強(qiáng)網(wǎng)絡(luò)的線性轉(zhuǎn)換能力，通過增加網(wǎng)絡(luò)層數(shù)增加非線性特征的提取能力。隨著網(wǎng)絡(luò)層數(shù)的加深和卷積尺寸的多樣化，豐富的數(shù)學(xué)運(yùn)算不但擴(kuò)充了網(wǎng)絡(luò)的容量，也使網(wǎng)絡(luò)對(duì)可分性判別特征的學(xué)習(xí)能力增強(qiáng)。但用不足的樣本訓(xùn)練過于復(fù)雜的網(wǎng)絡(luò)時(shí)會(huì)導(dǎo)致過擬合。過擬合指網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)的擬合能力過強(qiáng)，會(huì)忽略數(shù)據(jù)本身的基本關(guān)系而將不相關(guān)因素如噪聲作為類別判斷的依據(jù)，從而導(dǎo)致網(wǎng)絡(luò)對(duì)已知數(shù)據(jù)分類效果很好但對(duì)未知測試數(shù)據(jù)不能正確識(shí)別的現(xiàn)象。為弱化訓(xùn)練數(shù)據(jù)量的限制以及參數(shù)的指數(shù)增長

【參考文獻(xiàn)】：
期刊論文
[1]中國海洋衛(wèi)星及應(yīng)用進(jìn)展[J]. 蔣興偉,林明森,張有廣.  遙感學(xué)報(bào). 2016(05)
[2]影響星載SAR艦船檢測的關(guān)鍵因素[J]. 冷祥光,計(jì)科峰,宋海波,鄒煥新.  遙感信息. 2016(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的正則化方法[J]. 呂國豪,羅四維,黃雅平,蔣欣蘭.  計(jì)算機(jī)研究與發(fā)展. 2014(09)
[4]光學(xué)遙感圖像艦船目標(biāo)檢測與識(shí)別綜述[J]. 王彥情,馬雷,田原.  自動(dòng)化學(xué)報(bào). 2011(09)
[5]基于G0分布的高海況SAR船只目標(biāo)檢測方法[J]. 魯統(tǒng)臻,張杰,紀(jì)永剛,張晰,孟俊敏.  海洋科學(xué)進(jìn)展. 2011(02)
[6]SAR圖像目標(biāo)檢測研究綜述[J]. 高貴,周蝶飛,蔣詠梅,匡綱要.  信號(hào)處理. 2008(06)
[7]SAR圖像自動(dòng)目標(biāo)識(shí)別系統(tǒng)研究與設(shè)計(jì)[J]. 袁禮海,宋建社,薛文通,趙偉舟.  計(jì)算機(jī)應(yīng)用研究. 2006(11)
[8]SAR圖象自動(dòng)目標(biāo)識(shí)別研究[J]. 匡綱要,計(jì)科峰,粟毅,郁文賢.  中國圖象圖形學(xué)報(bào). 2003(10)

博士論文
[1]SAR圖像機(jī)動(dòng)目標(biāo)檢測與鑒別技術(shù)研究[D]. 李禹.國防科學(xué)技術(shù)大學(xué) 2007

碩士論文
[1]合成孔徑雷達(dá)圖像恒虛警目標(biāo)檢測[D]. 李嵐.中國科學(xué)院電子學(xué)研究所 2001



本文編號(hào)：3399195