從高分辨率影像自動或半自動檢測物體是遙感領(lǐng)域的一個重要研究課題。具有較高空間分辨率的光學(xué)航空和衛(wèi)星影像與自然圖像之間具有較小的特征間隙。因此,可以將深度學(xué)習(xí)算法應(yīng)用于遙感影像的識別中。MaskR-CNN是目前最先進(jìn)的深度學(xué)習(xí)模型,它具有強大的并行目標(biāo)檢測和實例分割的能力并在自然圖像識別方面取得了很大的進(jìn)展。本篇碩士論文將最先進(jìn)的計算機視覺和深度學(xué)習(xí)領(lǐng)域的技術(shù)應(yīng)用到遙感領(lǐng)域。其目的是探究Mask R-CNN在遙感領(lǐng)域的普適性。此外,由于遙感數(shù)據(jù)也是矢量地圖的重要來源,因此該模型可應(yīng)用在地圖上找到遺漏的地理實體并提高矢量地圖的質(zhì)量。在實踐中,由于遙感影像數(shù)據(jù)量大且有實時分析的需求,因此,提高模型訓(xùn)練速度也是非常重要的。首先我們做了一個多類別實驗,檢測并同時分割運動場地（棒球場,籃球場,田徑場,體育館,網(wǎng)球場）。此外,我們還通過將較深的骨干網(wǎng)絡(luò)替換為較淺的骨干網(wǎng)絡(luò)來評估模型的實際適用性。這個實驗的目的是針對相對較小的遙感數(shù)據(jù)集來權(quán)衡結(jié)果精度和訓(xùn)練速度。此外,我們還在建筑物數(shù)據(jù)集上訓(xùn)練了一個單類別Mask R-CNN模型。此外,還使用3種不同的建筑密度（密集,中等和稀疏）數(shù)據(jù)集進(jìn)行測試。在運動... 

【文章來源】：武漢大學(xué)湖北省211工程院校985工程院校教育部直屬院校

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
Abstract
CHAPTER Ⅰ:Introduction
    Ⅰ.1 State of the Art
    Ⅰ.2 Motivation and Objectives
    Ⅰ.3 Outline of the Thesis
    Ⅰ.4 Summary
CHAPTER Ⅱ: Review of Related Methods
    Ⅱ.1 Object Detection Methods
        Ⅱ.1.1 CNN
        Ⅱ.1.2 R-CNN
        Ⅱ.1.3 SPP-Net
        Ⅱ.1.4 Fast R-CNN
        Ⅱ.1.5 Faster R-CNN
        Ⅱ.1.6 Mask R-CNN
    Ⅱ.2 Instance Segmentation Methods
        Ⅱ.2.1 Object-oriented Remote Sensing Information Extraction Method
        Ⅱ.2.2 Deep Learning Method
    Ⅱ.3 Summary
CHAPTER Ⅲ:Data and Methods
    Ⅲ.1 Data Preparation
        Ⅲ.1.1 Sports Field Detection and Segmentation Task
        Ⅲ.1.2 Building Detection and Segmentation Task
    Ⅲ.2 Architecture and Training
        Ⅲ.2.1 ResNet and FPN Backbone
        Ⅲ.2.2 Transfer Learning
        Ⅲ.2.3 TensorFlow and Keras
        Ⅲ.2.4 Graphical Processing Unit (GPU)
        Ⅲ.2.5 Training Details
        Ⅲ.2.6 Evaluation Indicators
    Ⅲ.3 Summary
CHAPTER Ⅳ: Results and Discussion
    Ⅳ.1 Sports Field Detection and Segmentation Results
    Ⅳ.2 Building Detection and Segmentation Results
    Ⅳ.3 Summary
CHAPTER Ⅴ: Conclusions and Outlook
    Ⅴ.1 Conclusions
    Ⅴ.2 Outlook
References
ACKNOWLEDGEMENTS



本文編號：3629392