本文選題：目標識別 + 高空間分辨率遙感影像�。� 參考：《中國科學院大學(中國科學院遙感與數(shù)字地球研究所)》2017年碩士論文

【摘要】：遙感目標識別旨在定位并識別出遙感影像中的感興趣目標,它是遙感圖像處理的核心問題之一。隨著搭載平臺與傳感器技術的飛速發(fā)展,遙感影像空間分辨率不斷提高,與自然圖像在視覺上的差異也越來越小。越來越多的計算機視覺方法可被應用于高空間分辨率遙感影像目標識別。2012年,Krizhevsky等首次將卷積神經網絡應用于大規(guī)模自然圖像分類,分類精度顯著優(yōu)于傳統(tǒng)的圖像分類方法,從而掀起了卷積神經網絡的研究熱潮。2014年,Girshick等提出了R-CNN(Regions with Convolutional Neural Network Features)模型,奠定了使用卷積神經網絡進行目標識別的基礎。目前,基于卷積神經網絡的自然圖像目標識別算法,在精度上已經接近了人眼的識別精度,速度上也達到了準實時處理。遙感圖像空間分辨率的提高以及卷積神經網絡在自然圖像分類、目標識別等領域取得的成功,極大地推動了卷積神經網絡在遙感圖像處理領域的應用研究�；诰矸e神經網絡的高分辨率遙感影像分類、目標識別、圖像分割等研究已成為當前研究熱點之一。本文主要研究卷積神經網絡在高空間分辨率遙感影像目標識別中的應用,完成了以下研究工作:(1)明確了卷積神經網絡特征在圖像識別中的有效性。本文在相同的遙感影像場景分類框架下,對比了卷積神經網絡和詞袋模型兩種方法提取的特征性能。使用卷積神經網絡特征在UcMerced數(shù)據(jù)集上分類時,平均準確率均值達到了87%,在WhU數(shù)據(jù)集上優(yōu)于97%,顯著高于詞袋模型,證明了卷積神經網絡特征在圖像識別領域比傳統(tǒng)人工特征更具有優(yōu)勢。(2)提出了一種由粗到精的高空間分辨遙感影像單類目標識別方法。該方法首先采用基于HOG的級聯(lián)AdaBoost算法快速提取少量的感興趣區(qū)域,然后使用基于卷積神經網絡特征的支持向量機對感興趣區(qū)域進行分類。本文提出的方法在飛機識別實驗中準確率和識別率分別為98.4%和87.1%。與R-CNN模型相比,本文提出的方法不但準確率和識別率有所提高,而且速度是R-CNN模型的10倍,在實際應用中具有重要意義。(3)研究了如何使用Faster-RCNN模型進行遙感多類目標識別。通過固定卷積神經網絡低層卷積層和微調高層卷積層的方式,縮小了Faster-RCNN模型需要訓練的參數(shù)規(guī)模。在NWPU VHR-10數(shù)據(jù)集上,使用Faster R-CNN模型進行遙感多類目標識別的平均準確率均值達到了72.6%,說明了Faster R-CNN是一種有效的遙感多類目標識別方法。本文研究結果表明,卷積神經網絡在遙感影像目標識別中具有巨大的應用潛力,是當前和未來的研究熱點。
[Abstract]:Remote sensing target recognition, which is one of the core problems in remote sensing image processing, aims to locate and identify interested objects in remote sensing images. With the rapid development of platform and sensor technology, the spatial resolution of remote sensing image is increasing, and the visual difference between remote sensing image and natural image is becoming smaller and smaller. More and more computer vision methods can be applied to target recognition of high spatial resolution remote sensing images. In 2012, convolution neural network was applied to large-scale natural image classification for the first time, and the classification accuracy was significantly better than that of traditional image classification methods. The R-CNN(Regions with Convolutional Neural Network Features (R-CNN(Regions with Convolutional Neural Network Features) model was proposed by Girshick in 2014, which laid the foundation for target recognition using convolutional neural networks. At present, the natural image target recognition algorithm based on convolution neural network has approached the recognition accuracy of human eyes and achieved quasi-real-time processing in speed. The improvement of spatial resolution of remote sensing image and the success of convolution neural network in natural image classification and target recognition greatly promote the application of convolution neural network in remote sensing image processing. The research of high resolution remote sensing image classification, target recognition and image segmentation based on convolution neural network has become one of the research hotspots. In this paper, the application of convolution neural network in high spatial resolution remote sensing image target recognition is studied. The following research work is done: 1) the effectiveness of convolution neural network feature in image recognition is clarified. In this paper, under the same remote sensing image scene classification framework, the feature performance of convolution neural network and word bag model extraction is compared. When the convolutional neural network features are used to classify UcMerced data sets, the average accuracy is 87% and 97% in WhU data sets, which is significantly higher than the word bag model. It is proved that convolutional neural network features have more advantages than traditional artificial features in image recognition. Firstly, the concatenated AdaBoost algorithm based on HOG is used to extract a small number of regions of interest, and then SVM based on convolution neural network features is used to classify the regions of interest. The accuracy and recognition rate of the proposed method are 98.4% and 87.1%, respectively. Compared with the R-CNN model, the method proposed in this paper not only improves the accuracy and recognition rate, but also is 10 times faster than the R-CNN model. It is of great significance in practical application. By means of fixed convolution layer and fine-tuned high-level convolution layer, the parameter scale of Faster-RCNN model need to be trained is reduced. On the NWPU VHR-10 data set, the average accuracy of multi-class remote sensing target recognition based on Faster R-CNN model is 72.6, which shows that Faster R-CNN is an effective method for multi-class remote sensing target recognition. The research results show that convolutional neural network has great application potential in remote sensing image target recognition, and it is a hot research topic in the future.
【學位授予單位】：中國科學院大學(中國科學院遙感與數(shù)字地球研究所)
【學位級別】：碩士
【學位授予年份】：2017
【分類號】：P237;TP751

【相似文獻】

相關期刊論文 前10條

1 李靜;黃崢;;靜態(tài)傅里葉干涉具在目標識別中的應用研究[J];光譜學與光譜分析;2009年08期

2 王保義;K脈沖在目標識別中的應用[J];四川大學學報(自然科學版);1990年02期

3 姬光榮,王鵬,呂洪濤,胡滿田;基于不變性矩的3D目標識別[J];青島海洋大學學報;1997年03期

4 周志強;汪渤;楊杰;呂冀;;基于局部尺度不變特征的快速目標識別[J];光學技術;2008年05期

5 羅楊潔;呂朝鳳;朱俊;;基于多角度偏振差值曲線的目標識別初探[J];光學技術;2011年03期

6 楊杰,陸正剛,郭英凱;基于數(shù)據(jù)融合和多重智能模型的目標識別和跟蹤[J];高技術通訊;1999年04期

7 王學軍,史習智,林良驥,張明之;水下目標識別和數(shù)據(jù)融合[J];聲學學報;1999年05期

8 任德昊;;基于波譜的目標識別模型[J];科技信息;2010年15期

9 劉興章;王建文;;四階譜在水中目標識別中的應用[J];艦船科學技術;2010年06期

10 陳懷新,南建設;基于層次分析模糊特征融合的目標識別[J];四川大學學報(自然科學版);2003年06期

相關會議論文 前10條

1 王宇;鐘秋海;;用統(tǒng)計模式識別方法建立海上目標識別的數(shù)學模型[A];1995中國控制與決策學術年會論文集[C];1995年

2 鄭援;胡成軍;;基于數(shù)據(jù)融合的魚雷目標識別[A];第十四屆全國信號處理學術年會(CCSP-2009)論文集[C];2009年

3 李夕海;趙克;慕曉冬;劉代志;;目標識別中的特征相空間吸引子分析[A];第十屆全國信號處理學術年會（CCSP-2001）論文集[C];2001年

4 馮杰;蓋強;古軍峰;;模糊聚類分析方法在海上目標識別中的應用[A];第二屆全國信息獲取與處理學術會議論文集[C];2004年

5 趙克;劉代志;慕曉東;蘇娟;;目標識別的特征量約束[A];第九屆全國信號處理學術年會（CCSP-99）論文集[C];1999年

6 李正東;陳興無;宋琛;何武良;;多傳感器的目標識別[A];中國工程物理研究院科技年報（1999）[C];1999年

7 郭相科;劉進忙;曹學斌;張玉鵬;;子類獨立分量分析在聲目標識別中的應用[A];中國聲學學會2007年青年學術會議論文集（上）[C];2007年

8 張翠;高廣春;趙勝穎;;基于時間融合算法的近程目標識別[A];2011下一代自動測試系統(tǒng)學術研討會論文集[C];2011年

9 俞鴻波;趙榮椿;;三維空間目標識別概述[A];信號與信息處理技術——第一屆信號與信息處理聯(lián)合學術會議論文集[C];2002年

10 曹健;陳紅倩;毛典輝;李海生;蔡強;;基于局部特征的圖像目標識別問題綜述[A];2013年中國智能自動化學術會議論文集（第五分冊）[C];2013年

相關重要報紙文章 前10條

1 美國明尼蘇達大學社會學博士 密西西比州立大學國家戰(zhàn)略規(guī)劃與分析研究中心資深助理研究員 陳心想;維護好創(chuàng)新的“神經網絡硬件”[N];中國教師報;2014年

2 盧業(yè)忠;腦控電腦 驚世駭俗[N];計算機世界;2001年

3 葛一鳴 路邊文;人工神經網絡將大顯身手[N];中國紡織報;2003年

4 中國科技大學計算機系　邢方亮;神經網絡挑戰(zhàn)人類大腦[N];計算機世界;2003年

5 記者 孫剛;“神經網絡”：打開復雜工藝“黑箱”[N];解放日報;2007年

6 本報記者 劉霞;美用DNA制造出首個人造神經網絡[N];科技日報;2011年

7 健康時報特約記者　 張獻懷;干細胞移植：修復受損的神經網絡[N];健康時報;2006年

8 劉力;我半導體神經網絡技術及應用研究達國際先進水平[N];中國電子報;2001年

9 ;神經網絡和模糊邏輯[N];世界金屬導報;2002年

10 鄒麗梅 陳耀群;江蘇科大神經網絡應用研究通過鑒定[N];中國船舶報;2006年

相關博士學位論文 前10條

1 肖永生;射頻隱身雷達信號設計與目標識別研究[D];南京航空航天大學;2014年

2 崔宗勇;合成孔徑雷達目標識別理論與關鍵技術研究[D];電子科技大學;2015年

3 丁軍;基于稀疏理論的SAR圖像目標識別研究[D];西安電子科技大學;2015年

4 韓靜;基于仿生視覺模型和復雜信息學習的多光譜夜視目標識別技術[D];南京理工大學;2014年

5 黃璇;多源引導信息融合及其關鍵技術研究[D];中國科學院研究生院(長春光學精密機械與物理研究所);2016年

6 寧宣杰;基于空防雷達網絡的多傳感器信息融合關鍵技術研究及其應用[D];東北大學;2014年

7 楊松巖;高頻波段雷達目標特征提取與識別方法研究[D];哈爾濱工業(yè)大學;2016年

8 張學峰;雷達高分辨距離像目標識別與拒判方法研究[D];西安電子科技大學;2015年

9 李西平;塔機超聲安全預警目標識別的神經網絡方法研究[D];西安建筑科技大學;2015年

10 舒銳;衛(wèi)星目標識別與特征參數(shù)提取方法研究[D];哈爾濱工業(yè)大學;2010年

相關碩士學位論文 前10條

1 殷文斌;卷積神經網絡在遙感目標識別中的應用研究[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2017年

2 許俊峰;基于模型的任意視點下三維目標識別研究[D];南京航空航天大學;2015年

3 李建;毫米波輻射計目標識別性能測試系統(tǒng)研究[D];南京理工大學;2015年

4 陳晨;紅外/毫米波復合信號處理方法及電路設計[D];南京理工大學;2015年

5 王玉君;基于遠紅外熱像儀的地面機動目標識別[D];沈陽理工大學;2015年

6 姚國偉;基于高分辨距離像的艦船目標識別研究[D];哈爾濱工業(yè)大學;2015年

7 周偉峰;基于神經網絡的單目機器人目標識別定位研究[D];安徽工程大學;2015年

8 譚敏潔;基于壓縮感知的雷達一維距離像目標識別[D];電子科技大學;2015年

9 王翔;基于局部神經反應的目標識別研究[D];華中師范大學;2015年

10 劉巍;基于非均勻采樣圖像的目標識別與跟蹤算法研究[D];北京理工大學;2015年

，

本文編號：1815648