發(fā)布時(shí)間：2020-11-08 13:41

　　 隨著遙感技術(shù)的發(fā)展,遙感圖像的獲取越來(lái)越方便,遙感圖像的目標(biāo)檢測(cè)與地物分類也越來(lái)越受到人們的重視。近年來(lái),在深度學(xué)習(xí)的背景下,遙感圖像的處理與解譯得到進(jìn)一步的發(fā)展。提高遙感圖像目標(biāo)檢測(cè)和地物分類的性能是一個(gè)非常有意義的研究課題。針對(duì)現(xiàn)有遙感圖像目標(biāo)檢測(cè)與地物分類算法中存在的問(wèn)題,基于深度卷積網(wǎng)絡(luò)特征融合,本文提出了兩種新的遙感圖像目標(biāo)檢測(cè)方法與一種新的遙感圖像地物分類方法,主要工作如下:1.針對(duì)卷積網(wǎng)絡(luò)中隨深度層次不同存在尺寸大小不同的特征圖,提出一種基于插值特征融合卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)方法(F-SSRD),該方法主要針對(duì)常用的檢測(cè)算法如Faster R-CNN、SSD等對(duì)小目標(biāo)檢測(cè)效果較差的缺陷。F-SSRD算法構(gòu)建了一個(gè)插值特征學(xué)習(xí)與融合網(wǎng)絡(luò),網(wǎng)絡(luò)分為插值特征融合模塊和檢測(cè)模塊。與傳統(tǒng)目標(biāo)檢測(cè)方法相比,該方法的關(guān)鍵在于利用雙線性插值法對(duì)深層尺寸小的特征圖的分辨率進(jìn)行提高,并將其與淺層尺寸大的特征圖進(jìn)行融合,提高了淺層特征的語(yǔ)義信息,使得F-SSRD方法提高了對(duì)小目標(biāo)的檢測(cè)精度。在NWPU VHR-10數(shù)據(jù)集上F-SSRD算法取得了比當(dāng)前檢測(cè)算法更為優(yōu)越的效果。2.提出一種基于兩步級(jí)聯(lián)特征融合卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)方法(F-SSRDv2)。該方法主要針對(duì)F-SSRD算法的檢測(cè)精度來(lái)進(jìn)行的,希望相比于F-SSRD,F-SSRDv2能夠?qū)Σ煌笮∧繕?biāo)的檢測(cè)精度進(jìn)行進(jìn)一步的提高。F-SSRDv2是在F-SSRD的基礎(chǔ)上做的改進(jìn),繼承了F-SSRD的檢測(cè)模塊,并對(duì)特征融合模塊進(jìn)行改進(jìn),使用了一種兩步級(jí)聯(lián)的特征融合策略將深層特征與淺層特征融合,使得不同層級(jí)特征之間能夠更好地進(jìn)行信息結(jié)合。在網(wǎng)絡(luò)的訓(xùn)練中,引入了Focal Loss損失函數(shù),并以Focal Loss函數(shù)為基礎(chǔ)設(shè)計(jì)多任務(wù)損失函數(shù)。該方法的關(guān)鍵在于,使用兩部級(jí)聯(lián)的特征融合策略增強(qiáng)不同層級(jí)特征之間的信息結(jié)合能力,使用Focal Loss損失函數(shù)避免訓(xùn)練中出現(xiàn)的正負(fù)樣本分布不均的現(xiàn)象,從而提高網(wǎng)絡(luò)對(duì)于不同大小目標(biāo)的檢測(cè)精度。在NWPU VHR-10數(shù)據(jù)集上,F-SSRDv2算法取得了優(yōu)于F-SSRD的效果。3.提出一種基于特征融合與隨機(jī)森林的遙感圖像地物分類方法(DL_RF)。該方法針對(duì)遙感圖像地物分類中存在的物體類別稀疏程度不同以及圖像信息較為復(fù)雜的問(wèn)題。使用卷積神經(jīng)網(wǎng)絡(luò)提取尺寸大小不同的特征,并將這些特征進(jìn)行融合,使用隨機(jī)森林的方法對(duì)獲得的融合特征進(jìn)行分類。在高光譜數(shù)據(jù)以及LIDAR數(shù)據(jù)上的實(shí)驗(yàn)結(jié)果表明,DL-RF算法取得了比傳統(tǒng)算法更為優(yōu)越的效果。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751;TP183
【部分圖文】：

元是一個(gè)以訓(xùn)練樣本1 2 3x , x ,x 和偏置(bias) +1 為輸入的運(yùn)輸出為3,1( ) ( ) ( )TW b i iih x f W x f W x +b。在這里面， f (是 sigmoid函數(shù)，也可以是雙曲正切（tanh）函數(shù)，或者ified Linear Units，ReLU）[46]。它們的公式分別為：1( )1 exp( )f z+ z( ) tanh( )z zz ze ef z ze e +0, 0( ), 0zf zz z 線圖分別如圖 1.2 所示。目前 ReLU 激活函數(shù)有著較為廣

Conv6_2 2.3 F-SSRD 網(wǎng)絡(luò)檢測(cè)網(wǎng)絡(luò)中提取的特征、Fc7 以及 Conv6_3 中的特征層進(jìn)行融更好的效果。圖 2.4 表示的是將 Con的特征圖 Fea_Fusion�？梢钥闯鋈诤虾髮犹卣髦械恼Z(yǔ)義信息。

堤卣魅諍暇砘?窬??緄囊８型枷衲勘曇觳夥椒?3圖 2.2 F-SSRD 網(wǎng)絡(luò)結(jié)構(gòu)圖2.4.2 特征融合模塊在 SSD 網(wǎng)絡(luò)中，通過(guò)不同尺度特征圖上的不同檢測(cè)分支，檢測(cè)不同尺度的目標(biāo)。在以 VGG-16 為基礎(chǔ)網(wǎng)絡(luò)的 SSD 中，Conv4_3 上的 stride 為 8，用于檢測(cè)小目標(biāo)，原始圖像Conv4_3Conv5_3Fc7Conv6_2
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 柳欣;耿佳佳;鐘必能;杜吉祥;;多生物特征融合發(fā)展現(xiàn)狀及其展望[J];小型微型計(jì)算機(jī)系統(tǒng);2017年08期

2 孫興華,郭麗,王正群,楊靜宇;商標(biāo)圖像檢索中子圖像特征融合準(zhǔn)則研究[J];南京理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2002年05期

3 宋衛(wèi)華;;基于多級(jí)別特征融合的醫(yī)學(xué)圖像檢索技術(shù)[J];南華大學(xué)學(xué)報(bào)(自然科學(xué)版);2014年02期

4 武冰;周石琳;林勇強(qiáng);商亞新;;特征融合的多時(shí)相遙感圖像道路提取方法[J];微計(jì)算機(jī)信息;2007年36期

5 連西靜;崔升;;基于特征融合的人體運(yùn)動(dòng)識(shí)別[J];醫(yī)用生物力學(xué);2019年06期

6 呂潔;李洪奇;趙艷紅;Sikandar Ali;劉艷芳;;基于關(guān)節(jié)空時(shí)特征融合的人體行為識(shí)別[J];計(jì)算機(jī)工程與設(shè)計(jì);2020年01期

7 黃雙萍;俞龍;衛(wèi)曉欣;;一種異質(zhì)特征融合分類算法[J];電子技術(shù)與軟件工程;2013年02期

8 劉東杰;趙津;席阿行;;基于時(shí)空特征融合的端到端無(wú)人車控制[J];科學(xué)技術(shù)與工程;2019年30期

9 種衍杰;方琰;沙濤;;基于特征融合網(wǎng)絡(luò)的行人重識(shí)別[J];計(jì)算機(jī)系統(tǒng)應(yīng)用;2019年01期

10 梅文欣;林志賢;郭太良;;強(qiáng)化深度特征融合的行人搜索系統(tǒng)[J];計(jì)算機(jī)與現(xiàn)代化;2019年08期

相關(guān)博士學(xué)位論文 前10條

1 王海雷;面向高維數(shù)據(jù)的特征學(xué)習(xí)算法研究[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

2 劉戰(zhàn)東;基于深度學(xué)習(xí)的場(chǎng)景文字檢測(cè)[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

3 齊元?jiǎng)P;基于特征學(xué)習(xí)和特征融合的目標(biāo)跟蹤方法研究[D];哈爾濱工業(yè)大學(xué);2018年

4 王澤宇;面向場(chǎng)景解析的深度學(xué)習(xí)網(wǎng)絡(luò)研究[D];哈爾濱工程大學(xué);2018年

5 孔冬冬;基于特征融合的刀具磨損監(jiān)測(cè)技術(shù)研究[D];華中科技大學(xué);2018年

6 楊詩(shī)宇;面向智能交通的目標(biāo)檢測(cè)與跟蹤[D];東華大學(xué);2018年

7 翟耀;基于特征融合的目標(biāo)檢測(cè)與重識(shí)別[D];中國(guó)科學(xué)技術(shù)大學(xué);2019年

8 呂金娜;視頻人物社交關(guān)系抽取的關(guān)鍵技術(shù)研究[D];北京郵電大學(xué);2019年

9 陳倩;多生物特征融合身份識(shí)別研究[D];浙江大學(xué);2007年

10 周斌;多生物特征融合理論的研究與實(shí)驗(yàn)[D];清華大學(xué);2007年

相關(guān)碩士學(xué)位論文 前10條

1 王旭華;基于視頻的高速公路護(hù)欄檢測(cè)方法研究[D];重慶郵電大學(xué);2019年

2 陳毅;深度學(xué)習(xí)在簡(jiǎn)歷解析中的應(yīng)用研究[D];重慶郵電大學(xué);2019年

3 陳雪峰;行為特征融合的視覺(jué)注意力檢測(cè)技術(shù)研究[D];重慶郵電大學(xué);2019年

4 楊軍;基于多模態(tài)特征融合的人體行為識(shí)別[D];湘潭大學(xué);2019年

5 周野;基于深度學(xué)習(xí)的車型精細(xì)識(shí)別[D];南京航空航天大學(xué);2019年

6 朱小波;基于特征融合和度量學(xué)習(xí)的行人重識(shí)別算法研究[D];寧夏大學(xué);2019年

7 邵晨智;基于音視頻特征融合的暴力鏡頭識(shí)別方法研究[D];哈爾濱工業(yè)大學(xué);2019年

8 付暢;基于自底向上和互關(guān)注的圖像問(wèn)答系統(tǒng)[D];哈爾濱工業(yè)大學(xué);2019年

9 高蕾;基于特征融合深度卷積網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)與地物分類[D];西安電子科技大學(xué);2019年

10 岳欣;基于多層特征融合的視頻目標(biāo)檢測(cè)[D];西安電子科技大學(xué);2019年

本文編號(hào)：2874864