【摘要】：光學(xué)遙感圖像中的目標(biāo)檢測技術(shù)在民用方面和軍事方面都有著十分重要的意義。在民用方面,高精度的目標(biāo)檢測可以輔助城市交通管理,幫助城市進行規(guī)劃建設(shè);在軍事方面,高精度的目標(biāo)檢測有利于精確地鎖定入侵目標(biāo),保護國家安全。光學(xué)遙感圖像中傳統(tǒng)的目標(biāo)檢測算法——邊緣檢測算法、閾值分割法、基于視覺顯著性的方法和基于淺層機器學(xué)習(xí)的算法已經(jīng)很難滿足今天光學(xué)遙感圖像中目標(biāo)檢測的要求。隨著深度學(xué)習(xí)特別是深度卷積神經(jīng)網(wǎng)絡(luò)在圖像處理領(lǐng)域的巨大發(fā)展,利用深度卷積神經(jīng)網(wǎng)絡(luò)在光學(xué)遙感圖像中進行目標(biāo)檢測已經(jīng)成為不可阻擋的趨勢。相較于淺層機器學(xué)習(xí)進行目標(biāo)檢測時復(fù)雜且低效的工作流程:首先必須依據(jù)特定目標(biāo)設(shè)計特定的特征提取算法然后再將得到的特征送入分類器進行分類,深度學(xué)習(xí)特別是深度卷積神經(jīng)網(wǎng)絡(luò)則可以直接提取目標(biāo)的有效特征。另外,深度卷積神經(jīng)網(wǎng)絡(luò)能夠提取目標(biāo)更加本質(zhì)的特征而淺層機器學(xué)習(xí)只能提取初級或者中級的特征如紋理特征、邊緣特征等。目前,基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法大體上可以分為倆種:一種是以Faster RCNN為代表的雙階段檢測器,另一種是以YOLO和SSD為代表的單階段檢測器。相較于雙階段的目標(biāo)檢測器,單階段的目標(biāo)檢測器在速度上更具有優(yōu)勢,但是在精度上表現(xiàn)不佳,尤其在檢測小尺度目標(biāo)的時候其結(jié)果并不令人滿意。特別是YOLO系列,在小尺度目標(biāo)上的檢測精度尤為糟糕。而雙階段檢測器雖然在速度上慢于單階段檢測器但是其在小尺度目標(biāo)上的檢測精度要優(yōu)于單階段檢測器。相比較而言,雙階段檢測器更加適合光學(xué)遙感類的目標(biāo)檢測。因此,本文依據(jù)已經(jīng)公開的具有國際認(rèn)可度的光學(xué)遙感數(shù)據(jù)集進行有關(guān)研究�；贔aster RCNN檢測器,在倆個具有代表性的數(shù)據(jù)集上,“微調(diào)”多種主流深度卷積神經(jīng)網(wǎng)絡(luò)進行目標(biāo)檢測,并對各個深度卷積神經(jīng)網(wǎng)絡(luò)的性能進行全面的分析。從詳細(xì)的實驗分析中,了解各個深度卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點,了解何種結(jié)構(gòu)的深度卷積神經(jīng)網(wǎng)絡(luò)更加適合光學(xué)遙感圖像中的目標(biāo)檢測,了解直接“微調(diào)”深度卷積神經(jīng)網(wǎng)絡(luò)在光學(xué)遙感圖像中進行目標(biāo)檢測的注意點和不足。同時,為了減少深度卷積神經(jīng)網(wǎng)絡(luò)所需要的存儲空間,我們提出了子網(wǎng)卷積化的方法,初步探索網(wǎng)絡(luò)輕型化。研究發(fā)現(xiàn),直接 微調(diào)‖深度卷積神經(jīng)網(wǎng)絡(luò)在光學(xué)遙感圖像中進行目標(biāo)檢測存在著很多的不足。因此,我們提出了一系列的改進。首先,在光學(xué)遙感圖像的目標(biāo)檢測中,周圍環(huán)境復(fù)雜,干擾較多。因此,利用深度卷積神經(jīng)網(wǎng)絡(luò)進行目標(biāo)檢測時存在大量難以識別的目標(biāo)。在訓(xùn)練的過程中為保證網(wǎng)絡(luò)在整個數(shù)據(jù)集上取得較好的結(jié)果,往往會忽視“難樣本”的特征。針對這種情況,我們采用 在線難例解析‖,即將難以識別的目標(biāo)作為網(wǎng)絡(luò)訓(xùn)練的主要對象進行目標(biāo)檢測與識別, 在線難例解析‖有效地提高了網(wǎng)絡(luò)的整體能力。其次,光學(xué)遙感圖像中部分目標(biāo)擺放非常密集,尺度較小,這些目標(biāo)的有效特征在深度卷積神經(jīng)網(wǎng)絡(luò)傳播過程中會嚴(yán)重丟失,針對這種情況,我們提出了提高分辨率來減少特征的丟失。但是,直接提高網(wǎng)絡(luò)結(jié)構(gòu)的分辨率會導(dǎo)致感受野的下降從而導(dǎo)致全局信息的丟失,所以我們采用 空洞卷積‖來提高感受野。除此之外,深層次網(wǎng)絡(luò)得到的特征包含較少的定位信息,而定位信息對于光學(xué)遙感圖像中的目標(biāo)檢測是十分重要的,因此本人提出了一種多尺度特征結(jié)合的方法。該方法結(jié)合了深層網(wǎng)絡(luò)所包含的有利于分類的高級語義特征和淺層網(wǎng)絡(luò)包含的有利于定位的邊緣、紋理等特征。最后,為了減小深度卷積神經(jīng)網(wǎng)絡(luò)模型所需要的存儲空間,增加網(wǎng)絡(luò)的可移植性,本人又提出了一種網(wǎng)絡(luò)輕型化的方法。通過實驗證明,我們提出的方法是可行的,相較于目前流行的基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測方法,我們的方法在精度和召回率上存在較大的優(yōu)勢。綜上所述,我們深度研究了如何在光學(xué)遙感圖像中利用深度卷積神經(jīng)網(wǎng)絡(luò)進行目標(biāo)檢測。在分析了多種主流深度卷積神經(jīng)網(wǎng)絡(luò)在光學(xué)遙感圖像中進行目標(biāo)檢測的優(yōu)缺點的基礎(chǔ)上,提出一系列的改進從而達到高精度目標(biāo)檢測的目的。我們的研究對于光學(xué)遙感圖像中的目標(biāo)檢測具有很深的指導(dǎo)意義。
【圖文】：

度學(xué)習(xí)的研究進展與國內(nèi)外研究現(xiàn)狀機支付[27, 28]、網(wǎng)頁搜索[29, 30]、指紋識別[31, 32]、語音助手[33, 34]、5, 36]到正在研究的自動駕駛[37, 38]，人工智能正在影響我們生活的們的生活更加便利、快捷。人工智能是由著名的 圖靈機‖發(fā)明者艾靈于 1950 提出的一種設(shè)想：希望造出一種機器，它可以和人的大，可以處理一些只有人才能夠處理的問題。雖然到目前為止，，我這么偉大的目標(biāo)，但是我們的人工智能技術(shù)正在不斷的發(fā)展。人研究整體包含很多方面的研究如：機器人的研究[39, 40]、仿生系統(tǒng)圖像分類的研究[43, 44]、自然語言處理的研究[45, 46]等。而機器學(xué)習(xí)要的實現(xiàn)人工智能方法，深度學(xué)習(xí)則是機器學(xué)習(xí)中的一個分支。是指具有深層次網(wǎng)絡(luò)結(jié)構(gòu)，能夠自主提取隱含在數(shù)據(jù)中的特征的現(xiàn)在的深度學(xué)習(xí)已經(jīng)成為機器學(xué)習(xí)和人工智能發(fā)展最大的動力，學(xué)習(xí)、人工智能的關(guān)系圖如圖 1.2 所示。

第 1 章 緒論機器學(xué)習(xí)是從人工神經(jīng)網(wǎng)絡(luò)的研究開始的[47-49]。通過研究人類大腦神經(jīng)的原理，沃爾特·皮茨和沃倫·麥克洛克提出了人工神經(jīng)網(wǎng)絡(luò)的概念，并進行了建模。數(shù)年后，赫布給提出了人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)規(guī)則——輸入信號先線性求和再經(jīng)過非線性激活。1957 年，弗蘭克·羅森布萊特提出了感知器[50]的概念種最簡單的人工神經(jīng)網(wǎng)絡(luò)模型就此出現(xiàn)，并且弗蘭克·羅森布還提出了可以最小二乘法進行感知器的訓(xùn)練。但是感知器只是一種非常簡單的神經(jīng)網(wǎng)絡(luò)，其表達能力非常有限，只能解決一些線性可分的問題。自此，人工神經(jīng)網(wǎng)研究陷入困境。上世紀(jì) 80 年代，Hinton 教授等人提出了反向傳播算法[51]和感知器模型[52, 53]并改進了非線性激活函數(shù)。這些措施較為有效地解決了人工網(wǎng)絡(luò)非線性分類的問題，人工神經(jīng)網(wǎng)絡(luò)再次取得發(fā)展。一種簡單的多層感知圖 1.3 所示。
【學(xué)位授予單位】：中國科學(xué)院大學(xué)(中國科學(xué)院長春光學(xué)精密機械與物理研究所)
【學(xué)位級別】：博士
【學(xué)位授予年份】：2019
【分類號】：TP751;TP183

【相似文獻】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場中的神經(jīng)網(wǎng)絡(luò)拐點預(yù)測法[J];金融經(jīng)濟;2017年18期

2 陳曉燕;;淺析簡單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡單模型[J];數(shù)字技術(shù)與應(yīng)用;2019年05期

3 遲惠生;陳珂;;1995年世界神經(jīng)網(wǎng)絡(luò)大會述評[J];國際學(xué)術(shù)動態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識別[J];通訊世界;2018年12期

5 林嘉應(yīng);鄭柏倫;劉捷;;基于卷積神經(jīng)網(wǎng)絡(luò)的船舶分類模型[J];信息技術(shù)與信息化;2019年02期

6 俞頌華;;卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展與應(yīng)用綜述[J];信息通信;2019年02期

7 韓真;凱文·哈特尼特;;為神經(jīng)網(wǎng)絡(luò)的通用理論建造基石[J];世界科學(xué);2019年04期

8 鮑偉強;陳娟;熊濤;;基于進化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測研究[J];電工技術(shù);2019年11期

9 王麗華;楊秀萍;王皓;高崢翔;;智能雙輪平衡車的設(shè)計研究[J];數(shù)字技術(shù)與應(yīng)用;2018年04期

10 張庭略;;基于硬件的神經(jīng)網(wǎng)絡(luò)加速[J];通訊世界;2018年08期

相關(guān)會議論文 前10條

1 孫軍田;張U

本文編號：2649561