可見光遙感在近年來(lái)快速發(fā)展,為人們?cè)诟呖找暯巧咸峁┝烁S富的細(xì)節(jié)信息。其中對(duì)于艦船目標(biāo)的處理任務(wù)因?yàn)槠洫?dú)特的目標(biāo)特性、廣泛的應(yīng)用背景,成為了目前研究的熱點(diǎn)。本文從艦船檢測(cè)的工作流程入手,結(jié)合前沿深度學(xué)習(xí)理論,進(jìn)行了遙感圖像的增強(qiáng)去霧和定位識(shí)別的研究。本文主要工作總結(jié)如下:（1）提出了一種基于對(duì)偶學(xué)習(xí)理論的弱監(jiān)督生成對(duì)抗網(wǎng)絡(luò)遙感圖像去霧方法。針對(duì)目前深度學(xué)習(xí)去霧方法依賴有配對(duì)數(shù)據(jù)集的缺陷,提出了一種基于生成對(duì)抗網(wǎng)絡(luò)的去霧網(wǎng)絡(luò)。本網(wǎng)絡(luò)直接使用非配對(duì)的真實(shí)有霧-無(wú)霧圖片,通過(guò)添加循環(huán)感知損失的編碼器-解碼器網(wǎng)絡(luò)學(xué)習(xí)有霧到無(wú)霧的隱式映射轉(zhuǎn)換關(guān)系,同時(shí)設(shè)置其對(duì)偶網(wǎng)絡(luò)學(xué)習(xí)無(wú)霧到有霧的映射轉(zhuǎn)換關(guān)系,兩個(gè)網(wǎng)絡(luò)互相進(jìn)行對(duì)抗學(xué)習(xí),通過(guò)訓(xùn)練得到一個(gè)可以直接由有霧圖片輸出無(wú)霧圖片的生成器。本方法在人工合成有霧圖像和真實(shí)遙感有霧圖像上進(jìn)行了測(cè)試,在相關(guān)評(píng)價(jià)指標(biāo)如峰值信噪比等方面獲得了提升,同時(shí)生成圖片更加接近于真實(shí)無(wú)霧圖像,提升了視覺(jué)效果。（2）提出了一種基于改進(jìn)特征編碼和感興趣區(qū)域采樣方式的艦船檢測(cè)方法。本章網(wǎng)絡(luò)的特征編碼部分,使用了空洞卷積來(lái)保持特征學(xué)習(xí)結(jié)構(gòu)最后三層的特征圖尺寸,在不減小極深網(wǎng)絡(luò)帶來(lái)的大感受... 

【文章來(lái)源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：118 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 遙感圖像目標(biāo)檢測(cè)方法簡(jiǎn)述
        1.2.2 深度學(xué)習(xí)算法研究現(xiàn)狀
        1.2.3 可見光遙感圖像艦船識(shí)別研究現(xiàn)狀
    1.3 論文的主要工作及內(nèi)容安排
第二章 遙感艦船識(shí)別相關(guān)方法
    2.1 遙感圖像中艦船目標(biāo)特性
    2.2 艦船目標(biāo)檢測(cè)工作流程
    2.3 大氣光照退化模型
    2.4 全卷積神經(jīng)網(wǎng)絡(luò)
        2.4.1 上采樣層
        2.4.2 特征融合層
    2.5 基于深度學(xué)習(xí)的目標(biāo)檢測(cè)算法
        2.5.1 R-CNN等系列算法
        2.5.2 Faster R-CNN算法
        2.5.3 Faster R-CNN的訓(xùn)練
    2.6 本章小結(jié)
第三章 基于對(duì)偶式學(xué)習(xí)生成對(duì)抗網(wǎng)絡(luò)的遙感圖像去霧
    3.1 引言
    3.2 現(xiàn)有去霧算法簡(jiǎn)介
        3.2.1 基于先驗(yàn)的暗原色去霧方法
        3.2.2 現(xiàn)有深度學(xué)習(xí)去霧方法
    3.3 生成對(duì)抗網(wǎng)絡(luò)GAN
    3.4 對(duì)偶學(xué)習(xí)相關(guān)理論基礎(chǔ)
        3.4.1 弱監(jiān)督對(duì)偶學(xué)習(xí)方法
        3.4.2 循環(huán)一致性損失
        3.4.3 編碼器-解碼器結(jié)構(gòu)
    3.5 基于對(duì)偶式學(xué)習(xí)GAN的去霧網(wǎng)絡(luò)
        3.5.1 整體網(wǎng)絡(luò)設(shè)計(jì)
        3.5.2 實(shí)例規(guī)范化
        3.5.3 循環(huán)感知一致性損失
        3.5.4 網(wǎng)絡(luò)整體損失函數(shù)
    3.6 實(shí)驗(yàn)結(jié)果與分析
        3.6.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
        3.6.2 網(wǎng)絡(luò)的訓(xùn)練與測(cè)試
        3.6.3 客觀評(píng)價(jià)指標(biāo)
        3.6.4 實(shí)驗(yàn)結(jié)果
    3.7 本章小結(jié)
第四章 基于改進(jìn)特征編碼和ROI區(qū)域采樣的艦船檢測(cè)方法
    4.1 引言
    4.2 特征金字塔網(wǎng)絡(luò)結(jié)構(gòu)
    4.3 空洞卷積以及非極大值抑制
        4.3.1 空洞卷積
        4.3.2 非極大值抑制
    4.4 基于改進(jìn)特征提取和區(qū)域建議網(wǎng)絡(luò)結(jié)構(gòu)的目標(biāo)檢測(cè)網(wǎng)絡(luò)
        4.4.1 整體網(wǎng)絡(luò)結(jié)構(gòu)
        4.4.2 基于空洞卷積的FPN特征提取結(jié)構(gòu)
        4.4.3 感興趣區(qū)域與非極大值抑制算法的改進(jìn)
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)
        4.5.2 網(wǎng)絡(luò)的訓(xùn)練及測(cè)試指標(biāo)
        4.5.3 對(duì)比算法及實(shí)驗(yàn)設(shè)計(jì)
        4.5.4 檢測(cè)結(jié)果及分析
        4.5.5 不同改進(jìn)的消融對(duì)比實(shí)驗(yàn)
    4.6 本章小結(jié)
第五章 基于分割模型和無(wú)錨點(diǎn)邊框生成的艦船檢測(cè)方法
    5.1 引言
    5.2 基于精確標(biāo)注的遙感艦船目標(biāo)特性
        5.2.1 常見矩形框標(biāo)注方式的局限性
        5.2.2 基于錨點(diǎn)類算法對(duì)于艦船目標(biāo)的不適應(yīng)性分析
    5.3 基于分割模型的全卷積艦船檢測(cè)網(wǎng)絡(luò)
        5.3.1 基于分割模型的全卷積神經(jīng)網(wǎng)絡(luò)整體介紹
        5.3.2 特征學(xué)習(xí)部分與網(wǎng)絡(luò)損失函數(shù)
        5.3.3 基于類別置信度的加權(quán)非極大值抑制
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)數(shù)據(jù)與參數(shù)
        5.4.2 訓(xùn)練樣本標(biāo)注轉(zhuǎn)換操作
        5.4.3 對(duì)比算法與指標(biāo)
        5.4.4 DOTA數(shù)據(jù)集檢測(cè)結(jié)果
        5.4.5 HRSC2016 數(shù)據(jù)集檢測(cè)結(jié)果
        5.4.6 Dense-ShipNet參數(shù)分析
        5.4.7完整圖結(jié)果展示及其他旋轉(zhuǎn)目標(biāo)實(shí)驗(yàn)
    5.5 本章小結(jié)
第六章 總結(jié)與展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3432220