【摘要】：遙感監(jiān)測是目標(biāo)識別的一個前沿和熱點,被廣泛應(yīng)用于艦船監(jiān)測、漁業(yè)管理、環(huán)境監(jiān)控、敵方軍事動態(tài)監(jiān)控等民用和軍用領(lǐng)域。不同遙感圖像具有不同的特性,如SAR圖像具有分辨率高、全天候工作但是會夾帶著大量的相干斑噪聲。傳統(tǒng)遙感圖像檢測與識別算法具有依賴于人為設(shè)計的圖像特征、需要人為挑選最優(yōu)的特征子集并調(diào)節(jié)分類器參數(shù)的弊端。本文因此根據(jù)深度學(xué)習(xí)端到端學(xué)習(xí)的優(yōu)點,結(jié)合不同的遙感圖像特性,分別建立了端到端SAR圖像目標(biāo)識別模型和結(jié)合多尺度特征融合的小目標(biāo)艦船檢測模型。論文的主要工作及貢獻(xiàn)如下:(1)提出了一種新的端到端SAR圖像目標(biāo)識別模型,即可變深度可分離密集卷積神經(jīng)網(wǎng)絡(luò)(FDSDenseNet),通過引入?yún)?shù)化激活函數(shù)和密集卷積神經(jīng)網(wǎng)絡(luò),提高分類模型識別精度;引入深度可分離卷積以控制模型復(fù)雜度;設(shè)計1X1卷積核與分類層組合的可變分類模塊以實現(xiàn)可變的參數(shù)調(diào)整;(2)基于不同特征通道維度信息流的不同表達(dá),采用稀疏連接和群壓縮激勵進(jìn)一步減少參數(shù)數(shù)量,提出了一種新穎的CNN網(wǎng)絡(luò)結(jié)構(gòu),稱為稀疏群壓縮激勵卷積神經(jīng)網(wǎng)絡(luò)(GSESCNN),將所提出的群壓縮激勵模塊(GSE)與稀疏連接卷積神經(jīng)網(wǎng)絡(luò)(SCNN)進(jìn)行組合。SCNN利用獨特的稀疏路徑連接策略,在實現(xiàn)特征流動的基礎(chǔ)上減少了冗余參數(shù),GSE模塊通過添加額外分支來自適應(yīng)地學(xué)習(xí)不同特征通道維度的信息,提高了模型的表征能力;(3)基于對現(xiàn)有結(jié)合深度學(xué)習(xí)進(jìn)行衛(wèi)星圖像目標(biāo)檢測的研究工作的分析,提出了一種新的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),稱為壓縮激勵路徑跳躍連接網(wǎng)絡(luò)(SESPNets)�；趦呻A段檢測的框架,提出了一種路徑跳躍連接結(jié)構(gòu),以增強網(wǎng)絡(luò)在目標(biāo)區(qū)域提取階段表征多尺度特征的能力。同時,壓縮激勵模塊被結(jié)合到網(wǎng)絡(luò)中以增強對不同特征通道信息的學(xué)習(xí)。同時采用ROI align操作和Soft-NMS后處理進(jìn)一步提高了檢測精度。
【圖文】：

經(jīng)網(wǎng)絡(luò)和多層感知機，ＣＮＮ對每一層感受野中元素采用固定的卷積操作模式，逡逑從而實現(xiàn)局部連接以及不同卷積核間的權(quán)值共享，具有平移不變性。經(jīng)典的ＣＮＮ逡逑結(jié)構(gòu)，是依次由輸入層、卷積層、池化層、全連接層與輸出層組成，如圖２．１所逡逑示［２９］。針對不同的任務(wù)，可以通過改變ＣＮＮ結(jié)構(gòu)分別實現(xiàn)圖像分類、目標(biāo)檢測逡逑以及圖像檢索。逡逑＜＾Ｉ，邋ｍａｐｓ邋１６＾邋１０ｘ１０逡逑Ｊ邋Ｇａｕｓ＾ａｎ邋ｃｏｎｎｅｃｉｉｏｎｓ逡逑ＧｏｎｖｏＭｉａｉｓ邐Ｓｏ＆ｓａａ＾Ｊｎｇ邋ＣｏｎｎｏＳｕＢｏｎｓ邋Ｓｕｂｓａ？＾＞ｌｉｒ＾＞邋ＲｊＳ邋ｏｏｒａｉｅｃｔｏｎ逡逑圖２－２ＬｅＮｅｔ－５結(jié)構(gòu)圖逡逑（１）邋卷積層逡逑卷積神經(jīng)網(wǎng)絡(luò)中涉及的卷積運算，實際上是分析數(shù)學(xué)中的離散卷積。假設(shè)卷逡逑積層／的輸入張量為，則卷積核為。第一次卷積操作逡逑會從圖像（0，0，0）處開始，將對應(yīng)位置圖像像素點的值分別與卷積核中參數(shù)逐位逡逑相乘后累加得到卷積操作結(jié)果。完成一次卷積操作后，，卷積核按照指定步長在輸逡逑入圖像上滑動依次進(jìn)行同樣的卷積操作。依次將卷積操作結(jié)果按照位置組成二維逡逑輸出，若類似卷積有Ｎ個，則得到輸出張量為，ｉｅ紀(jì)＂逡逑１２逡逑

邐（２．１５）逡逑由此可知，網(wǎng)絡(luò)實際上是在學(xué)習(xí)上式右端的殘差項，因此被稱為深度殘差網(wǎng)逡逑絡(luò)。具體的殘差單元模塊結(jié)構(gòu)如圖２－２所示。逡逑■逡逑ｗｅｉｇｈｔ邋ｌａｙｅｒ邋＼逡逑７（ｘ）邐ｊｒｅｌｕ邋｜邋ｘ逡逑—，丨ｙｙｅｒ邋１邋Ｊ邋ｉｄｅｎｔｉｔｙ逡逑圖２－３殘差單元模塊結(jié)構(gòu)圖逡逑殘差單元模塊有兩條路徑，一條是左側(cè)通過卷積層、池化層和激活函數(shù)用于逡逑計算殘差網(wǎng)絡(luò)，一條是右側(cè)的恒等映射。兩條路徑的結(jié)果，在模塊最后通過對應(yīng)逡逑元素相加的方式進(jìn)行整合，再通過Ｒｅｌｕ激活函數(shù)，從而得到最終的輸出結(jié)果。殘逡逑差網(wǎng)絡(luò)通過恒等映射完成跳躍連接，在輸入輸出維度一致的情況下，不需要額外逡逑的參數(shù)，同時，恒等映射也可以使梯度信息可以在多個網(wǎng)絡(luò)層間傳播，解決了梯逡逑度彌散或爆炸的問題，因此即便在網(wǎng)絡(luò)特別深的情況下，也可以完成反向傳播訓(xùn)逡逑練。逡逑（２）邐密集連接網(wǎng)絡(luò)（ＤｅｎｓｅＮｅｔ）逡逑ＤｅｎｓｅＮｅｔ在ＲｅｓＮｅｔ的基礎(chǔ)上進(jìn)一步增加了特征重用
【學(xué)位授予單位】：浙江大學(xué)
【學(xué)位級別】：碩士
【學(xué)位授予年份】：2019
【分類號】：TP751;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;圖像目標(biāo)檢測技術(shù)及應(yīng)用[J];大數(shù)據(jù);2016年05期

2 李曉冰;;具有先驗信息的經(jīng)緯儀測量圖像目標(biāo)檢測技術(shù)[J];光電技術(shù)應(yīng)用;2008年01期

3 賀霖;潘泉;邸椺;李遠(yuǎn)清;;高光譜圖像目標(biāo)檢測研究進(jìn)展[J];電子學(xué)報;2009年09期

4 張裕;楊海濤;劉翔宇;;基于多尺度特征稠密連接的遙感圖像目標(biāo)檢測方法[J];中國電子科學(xué)研究院學(xué)報;2019年05期

5 范金華;陳鍛生;;高光譜圖像目標(biāo)檢測研究進(jìn)展[J];微型機與應(yīng)用;2015年16期

6 王艷,鮑建躍,林曉春,過潤秋;基于FPGA的紅外圖像目標(biāo)檢測[J];西安電子科技大學(xué)學(xué)報;2005年03期

7 強贊霞,彭嘉雄;基于融合及數(shù)學(xué)形態(tài)學(xué)的遙感圖像目標(biāo)檢測[J];計算機工程;2005年10期

8 聶永剛;但志平;;足球賽場運動視頻圖像目標(biāo)檢測仿真[J];計算機仿真;2017年07期

9 張鐵棟;萬磊;秦再白;馬悅;;基于離散分?jǐn)?shù)布朗隨機場的水下圖像目標(biāo)檢測[J];光電工程;2008年08期

10 石志廣;周劍雄;張焱;;圖像目標(biāo)檢測前跟蹤的廣義多伯努利濾波算法[J];紅外與毫米波學(xué)報;2018年03期

相關(guān)會議論文 前7條

1 李國強;艾淑芳;;一種天空背景紅外圖像目標(biāo)檢測方法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

2 黃家閩;楊瓏頎;;基于隨機共振和支持向量機的聲納圖像目標(biāo)檢測[A];信號處理在生儀2014學(xué)術(shù)年會論文集[C];2014年

3 劉東華;王元欽;李秋娜;;小波分析理論在圖像目標(biāo)檢測中的應(yīng)用[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

4 高飛;劉愛冬;;基于深度卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測[A];第十二屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2018年

5 劉代志;何元磊;黃世奇;;基于地物波譜特性的高光譜圖像目標(biāo)檢測與識別[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

6 潘雄;郎量;苗燦;趙盈盈;杜雨馨;朱杏子;;基于深度學(xué)習(xí)的被動毫米波圖像目標(biāo)檢測方法研究[A];2019年全國微波毫米波會議論文集（上冊）[C];2019年

7 劉向君;楊澤剛;劉強;;基于多波段SAR圖像目標(biāo)檢測決策級融合和圖像分類的目標(biāo)狀態(tài)標(biāo)注[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

相關(guān)博士學(xué)位論文 前10條

1 王兆成;復(fù)雜場景下SAR圖像目標(biāo)檢測及鑒別方法研究[D];西安電子科技大學(xué);2018年

2 王振華;基于深度學(xué)習(xí)的野外巡線系統(tǒng)圖像目標(biāo)檢測研究[D];中國地質(zhì)大學(xué)(北京);2018年

3 黃勇;基于語義信息的高分辨SAR圖像目標(biāo)檢測[D];西安電子科技大學(xué);2018年

4 張國敏;復(fù)雜場景遙感圖像目標(biāo)檢測方法研究[D];國防科學(xué)技術(shù)大學(xué);2010年

5 劉說;低檢測率SAR圖像目標(biāo)檢測與識別理論研究[D];電子科技大學(xué);2017年

6 李軒;基于局部特征的遙感圖像目標(biāo)檢測方法研究[D];長春理工大學(xué);2016年

7 李曉慧;高光譜圖像目標(biāo)檢測及壓縮方法研究[D];哈爾濱工程大學(xué);2014年

8 郭鵬宇;光測圖像目標(biāo)檢測跟蹤與判讀方法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

9 郭軍;引入上下文信息的可見光遙感圖像目標(biāo)檢測與識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

10 傅志中;紅外掃描成像動目標(biāo)檢測跟蹤技術(shù)與DSP實時實現(xiàn)[D];電子科技大學(xué);2002年

相關(guān)碩士學(xué)位論文 前10條

1 黃國權(quán);基于深度學(xué)習(xí)的衛(wèi)星圖像目標(biāo)檢測與識別研究[D];浙江大學(xué);2019年

2 周明非;基于深度神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測研究[D];陜西師范大學(xué);2018年

3 徐暉;基于哈希學(xué)習(xí)的遙感圖像目標(biāo)檢測及應(yīng)用[D];南京理工大學(xué);2018年

4 白猛猛;深度位敏信息網(wǎng)絡(luò)的圖像目標(biāo)檢測研究[D];西安工業(yè)大學(xué);2018年

5 黎敏訥;分布式數(shù)據(jù)分層抽樣技術(shù)及其在目標(biāo)檢測領(lǐng)域的應(yīng)用研究[D];國防科學(xué)技術(shù)大學(xué);2017年

6 侯瑤淇;基于多尺度深度網(wǎng)絡(luò)和視覺注意機制的高分辨SAR圖像目標(biāo)檢測與分類[D];西安電子科技大學(xué);2018年

7 鄧洋洋;高分辨率SAR圖像目標(biāo)檢測與特征提取[D];成都信息工程大學(xué);2018年

8 孫大鵬;空間約束聯(lián)合表示高光譜圖像目標(biāo)檢測[D];中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所);2018年

9 劉培;基于深度學(xué)習(xí)的圖像目標(biāo)檢測與分割算法的研究與應(yīng)用[D];燕山大學(xué);2018年

10 呂建君;基于深度學(xué)習(xí)的空域圖像目標(biāo)檢測研究與實現(xiàn)[D];北京郵電大學(xué);2018年

本文編號：2605204