【摘要】：如今目標檢測是模式識別領(lǐng)域重要的研究課題,遙感圖像革新效率高、觀測對地面積大、收集渠道豐富等特點,使越來越多的領(lǐng)域如軍事、氣象、漁業(yè)、航海等都涉及到了對遙感圖像的應用。遙感影像數(shù)據(jù)增長速度之迅速,使如今還比較落后的遙感圖像處理方法與應用的措施之間呈現(xiàn)出很大的矛盾性,導致遙感圖像實際應用的研究遲遲不能做出突破。這些年來,雖然國內(nèi)外對遙感船舶圖像目標檢測關(guān)注頗多,并在理論和技術(shù)上都取得了相當?shù)耐黄坪瓦M展,但事實上由于一些遙感圖像分辨率不高,且目前還沒有特定船舶類別的公開的遙感影像數(shù)據(jù)集,導致了算法的檢測結(jié)果不理想,為檢測技術(shù)的改進和發(fā)展造成了很大的阻礙。因此,在現(xiàn)有的四種深度學習算法的基礎(chǔ)上,本文旨在建立一個大規(guī)模遙感船舶影像數(shù)據(jù)庫,設(shè)計出一套完整的基于深度學習的船舶檢測系統(tǒng),并用四種算法進行對比實驗。本文主要的研究內(nèi)容和成果介紹如下:(1)提出了一種建立大規(guī)模遙感船舶影像數(shù)據(jù)庫的方法,詳細設(shè)計了高分辨率遙感圖像的收集、整理、標注、規(guī)范及類別劃分,通過對數(shù)據(jù)進行三種增強處理擴充了樣本集,建立了遙感圖像數(shù)據(jù)庫YNU-SRSID。數(shù)據(jù)庫的遙感圖像分辨率高達0.23m,目標紋理更加清晰,能提供更豐富的細節(jié)信息。(2)在船舶的目標檢測方面,使用了四種深度學習算法CNN、RCNN、Fast RCNN和Faster RCNN,對檢測結(jié)果進行比對分析。這四種算法檢測精度分別為:89.66%、90.39%、91.86%和93.44%。接著對具體類別的船舶檢測情況進行了統(tǒng)計,分別為船體粘連情況、復雜環(huán)境下的港口情況、不含復雜環(huán)境的海域情況、小型船情況和大型船情況,對應的檢測率分別為89.68%、86.45%、93.99%、89.45%、95.42%。檢測結(jié)果表明了此次遙感圖像船舶目標檢測系統(tǒng)基本達到了要求,自建的遙感影像數(shù)據(jù)庫的樣本可以完成檢測任務(wù),效果也基本達到了預期。
【圖文】：

顯著性檢測示例圖

RPN示例
【學位授予單位】：云南大學
【學位級別】：碩士
【學位授予年份】：2018
【分類號】：TP311.13;TP751

【參考文獻】

相關(guān)期刊論文 前4條

1 任德智;潘剛;葛立雯;;基于TitanImage軟件的QuickBird影像融合[J];東北林業(yè)大學學報;2013年03期

2 楊藝;韓崇昭;韓德強;;一種多源遙感圖像分割的融合新策略[J];西安交通大學學報;2010年06期

3 余靜,游志勝;自動目標識別與跟蹤技術(shù)研究綜述[J];計算機應用研究;2005年01期

4 席學強,王潤生;一個針對遙感圖像特定目標的自動識別系統(tǒng)[J];遙感技術(shù)與應用;2000年03期

相關(guān)博士學位論文 前1條

1 韓現(xiàn)偉;大幅面可見光遙感圖像典型目標識別關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學;2013年

相關(guān)碩士學位論文 前1條

1 劉健;基于深度學習的溯源視頻目標檢測與識別[D];東南大學;2016年

，

本文編號：2707533