隨著遙感技術(shù)的發(fā)展,遙感圖像的獲取越來越方便,遙感圖像的目標檢測與地物分類也越來越受到人們的重視。近年來,在深度學(xué)習(xí)的背景下,遙感圖像的處理與解譯得到進一步的發(fā)展。提高遙感圖像目標檢測和地物分類的性能是一個非常有意義的研究課題。針對現(xiàn)有遙感圖像目標檢測與地物分類算法中存在的問題,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檢測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)的遙感圖像目標檢測方法(F-SSRD),該方法主要針對常用的檢測算法如Faster R-CNN、SSD等對小目標檢測效果較差的缺陷。F-SSRD算法構(gòu)建了一個插值特征學(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模塊。與傳統(tǒng)目標檢測方法相比,該方法的關(guān)鍵在于利用雙線性插值法對深層尺寸小的特征圖的分辨率進行提高,并將其與淺層尺寸大的特征圖進行融合,提高了淺層特征的語義信息,使得F-SSRD方法提高了對小目標的檢測精度。在NWPU VHR-10數(shù)據(jù)集上F-SSRD算法取得了比當前檢測算法更為優(yōu)越的效果。2.提出一種基于兩步級聯(lián)特征融合卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標檢測方法(F-SSRDv2)。該方法主要針對F-SSRD算法的檢測精度來進行的,希望相比于F-SSRD,F-SSRDv2能夠?qū)Σ煌笮∧繕说臋z測精度進行進一步的提高。F-SSRDv2是在F-SSRD的基礎(chǔ)上做的改進,繼承了F-SSRD的檢測模塊,并對特征融合模塊進行改進,使用了一種兩步級聯(lián)的特征融合策略將深層特征與淺層特征融合,使得不同層級特征之間能夠更好地進行信息結(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)計多任務(wù)損失函數(shù)。該方法的關(guān)鍵在于,使用兩部級聯(lián)的特征融合策略增強不同層級特征之間的信息結(jié)合能力,使用Focal Loss損失函數(shù)避免訓(xùn)練中出現(xiàn)的正負樣本分布不均的現(xiàn)象,從而提高網(wǎng)絡(luò)對于不同大小目標的檢測精度。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森林的遙感圖像地物分類方法(DL_RF)。該方法針對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,并將這些特征進行融合,使用隨機森林的方法對獲得的融合特征進行分類。在高光譜數(shù)據(jù)以及LIDAR數(shù)據(jù)上的實驗結(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)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751;TP183
【部分圖文】：

元是一個以訓(xùn)練樣本1 2 3x , x ,x 和偏置(bias) +1 為輸入的運輸出為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)檢測網(wǎng)絡(luò)中提取的特征、Fc7 以及 Conv6_3 中的特征層進行融更好的效果。圖 2.4 表示的是將 Con的特征圖 Fea_Fusion。可以看出融合后層特征中的語義信息。

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，通過不同尺度特征圖上的不同檢測分支，檢測不同尺度的目標。在以 VGG-16 為基礎(chǔ)網(wǎng)絡(luò)的 SSD 中，Conv4_3 上的 stride 為 8，用于檢測小目標，原始圖像Conv4_3Conv5_3Fc7Conv6_2
【相似文獻】

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];小型微型計算機系統(tǒng);2017年08期

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

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

4 武冰;周石琳;林勇強;商亞新;;特征融合的多時相遙感圖像道路提取方法[J];微計算機信息;2007年36期

5 連西靜;崔升;;基于特征融合的人體運動識別[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)空時特征融合的人體行為識別[J];計算機工程與設(shè)計;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;;基于時空特征融合的端到端無人車控制[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)的行人重識別[J];計算機系統(tǒng)應(yīng)用;2019年01期

10 梅文欣;林志賢;郭太良;;強化深度特征融合的行人搜索系統(tǒng)[J];計算機與現(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)的場景文字檢測[D];中國科學(xué)技術(shù)大學(xué);2019年

3 齊元凱;基于特征學(xué)習(xí)和特征融合的目標跟蹤方法研究[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)測技術(shù)研究[D];華中科技大學(xué);2018年

6 楊詩宇;面向智能交通的目標檢測與跟蹤[D];東華大學(xué);2018年

7 翟耀;基于特征融合的目標檢測與重識別[D];中國科學(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驗[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欄檢測方法研究[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注意力檢測技術(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)的車型精細識別[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)的遙感圖像目標檢測與地物分類[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檢測[D];西安電子科技大學(xué);2019年

本文編號：2874864