【摘要】：遙感圖像中的車輛檢測和跟蹤在民用和軍事領(lǐng)域都發(fā)揮著重要作用,如公路交通監(jiān)控,管理和城市交通規(guī)劃等。與地面視角圖像中的車輛檢測相比,基于遙感圖像車輛檢測能夠彌補地面視角車輛檢測的不足,獲得城市交通狀況更全局的把握。但是由于遙感圖像單一的外觀,復雜的背景以及更小的尺寸等,當前的研究面臨許多新的問題,比如表觀特征不夠明顯,細節(jié)特征不足,背景干擾,標注困難等問題。此外,跨越不同分辨率和成像條件的訓練樣本很難得到充分的標注,因此,弱監(jiān)督車輛檢測對于衛(wèi)星圖像分析和處理非常重要。為了應對此項挑戰(zhàn),本文提出了一種基于遞進深度學習的弱監(jiān)督方法,此方法可用于在大規(guī)模應用場景中訓練智能的,輕便的車輛檢測器。該方案僅需要區(qū)域級別的組標注——即是否此區(qū)域包含車輛而不需要顯式的標注出車輛的矩形框,基于此,本文設計了一個新穎的弱監(jiān)督多示例排序算法從弱標簽中遞進地學習示例級別的分類器,具體而言,基于弱監(jiān)督標簽在車輛檢測中的信息缺失問題,本文引入了一些額外的低代價的標注信息作為先驗,之后基于這樣的先驗限制,再使用基于多示例學習的算法對車輛實例進行分類和遞進性的定位。本文將此方法與一些常用的車輛檢測算法在數(shù)據(jù)集的表現(xiàn)做了評估對比,實驗的結(jié)果表現(xiàn)出此方法的優(yōu)越性。綜合以上描述,本文主要致力于以下三個方面的研究:(1)本文在多種傳感器和圖像狀況下,收集大規(guī)模的車輛標注采用一種用戶友好的,輕便的區(qū)域級別的標注,并基于此弱標注采用多示例的遞進學習進行車輛檢測。(2)由于弱監(jiān)督定位的不準確性,我們將遙感的上下文信息引入地面視角的車輛檢測中,用于遙感車輛小目標的檢測,通過這種信息的遷移方式學習到的模型最終能夠高效的完成對車輛的檢測。(3)使用多示例學習從弱標注中遞進地學習車輛檢測器,我們以這種輕便的方式對弱監(jiān)督遙感圖像車輛檢測方法進行了一個有益的探索,在準確率和召回率上取得了更好的權(quán)衡和提高,表現(xiàn)出此方法的優(yōu)越性。
【圖文】：

圖１．１基于多示例學習的弱監(jiān)督遙感圖像車輛檢測流程圖逡逑

測有著廣泛的應用。如軍事和島嶼防御，交通檢測，智能交通等等。逡逑２．１車輛檢測的國內(nèi)外研究現(xiàn)狀逡逑圖２．１展示了基于機器學習方法的車輛檢測的一個典型的流程圖�；谶@種逡逑形式，我們首先回顧車輛檢測的方法的四種基本類別：基于模板匹配的方法，基逡逑于知識的方法，，基于對象分析的目標檢測方法和基于機器學習的方法。然后，為逡逑了一個更加明確的針對性，我們主要對基于機器學習方法的特征和算法做一個回逡逑顧。逡逑＾邐＾訓練階段逡逑對象樣例邐邐邋？邐、逡逑．邋固像邐廣逡逑、邐ｙ邐＼邋車輛／目＿的＿＼邋用于檢測的逡逑＿＿分類器訓練—，

本文編號：2678095