發(fā)布時(shí)間：2020-05-05 04:43

【摘要】：光學(xué)遙感圖像中的目標(biāo)檢測(cè)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(cè)可以輔助城市交通管理,幫助城市進(jìn)行規(guī)劃建設(shè);在軍事方面,高精度的目標(biāo)檢測(cè)有利于精確地鎖定入侵目標(biāo),保護(hù)國(guó)家安全。光學(xué)遙感圖像中傳統(tǒng)的目標(biāo)檢測(cè)算法——邊緣檢測(cè)算法、閾值分割法、基于視覺(jué)顯著性的方法和基于淺層機(jī)器學(xué)習(xí)的算法已經(jīng)很難滿(mǎn)足今天光學(xué)遙感圖像中目標(biāo)檢測(cè)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(jìn)行目標(biāo)檢測(cè)已經(jīng)成為不可阻擋的趨勢(shì)。相較于淺層機(jī)器學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)時(shí)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(jì)特定的特征提取算法然后再將得到的特征送入分類(lèi)器進(jìn)行分類(lèi),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(jī)器學(xué)習(xí)只能提取初級(jí)或者中級(jí)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(cè)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(cè)器,另一種是以YOLO和SSD為代表的單階段檢測(cè)器。相較于雙階段的目標(biāo)檢測(cè)器,單階段的目標(biāo)檢測(cè)器在速度上更具有優(yōu)勢(shì),但是在精度上表現(xiàn)不佳,尤其在檢測(cè)小尺度目標(biāo)的時(shí)候其結(jié)果并不令人滿(mǎn)意。特別是YOLO系列,在小尺度目標(biāo)上的檢測(cè)精度尤為糟糕。而雙階段檢測(cè)器雖然在速度上慢于單階段檢測(cè)器但是其在小尺度目標(biāo)上的檢測(cè)精度要優(yōu)于單階段檢測(cè)器。相比較而言,雙階段檢測(cè)器更加適合光學(xué)遙感類(lèi)的目標(biāo)檢測(cè)。因此,本文依據(jù)已經(jīng)公開(kāi)的具有國(guó)際認(rèn)可度的光學(xué)遙感數(shù)據(jù)集進(jìn)行有關(guān)研究。基于Faster RCNN檢測(cè)器,在倆個(gè)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(jìn)行目標(biāo)檢測(cè),并對(duì)各個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)的性能進(jìn)行全面的分析。從詳細(xì)的實(shí)驗(yàn)分析中,了解各個(gè)深度卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)缺點(diǎn),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(cè),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(jìn)行目標(biāo)檢測(cè)的注意點(diǎn)和不足。同時(shí),為了減少深度卷積神經(jīng)網(wǎng)絡(luò)所需要的存儲(chǔ)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(jìn)行目標(biāo)檢測(cè)存在著很多的不足。因此,我們提出了一系列的改進(jìn)。首先,在光學(xué)遙感圖像的目標(biāo)檢測(cè)中,周?chē)h(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(jìn)行目標(biāo)檢測(cè)時(shí)存在大量難以識(shí)別的目標(biāo)。在訓(xùn)練的過(guò)程中為保證網(wǎng)絡(luò)在整個(gè)數(shù)據(jù)集上取得較好的結(jié)果,往往會(huì)忽視“難樣本”的特征。針對(duì)這種情況,我們采用 在線(xiàn)難例解析‖,即將難以識(shí)別的目標(biāo)作為網(wǎng)絡(luò)訓(xùn)練的主要對(duì)象進(jìn)行目標(biāo)檢測(cè)與識(shí)別, 在線(xiàn)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(guò)程中會(huì)嚴(yán)重丟失,針對(duì)這種情況,我們提出了提高分辨率來(lái)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(huì)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(lái)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(duì)于光學(xué)遙感圖像中的目標(biāo)檢測(cè)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(lèi)的高級(jí)語(yǔ)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(chǔ)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(guò)實(shí)驗(yàn)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(cè)方法,我們的方法在精度和召回率上存在較大的優(yōu)勢(shì)。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(jìn)行目標(biāo)檢測(cè)。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(jìn)行目標(biāo)檢測(cè)的優(yōu)缺點(diǎn)的基礎(chǔ)上,提出一系列的改進(jìn)從而達(dá)到高精度目標(biāo)檢測(cè)的目的。我們的研究對(duì)于光學(xué)遙感圖像中的目標(biāo)檢測(cè)具有很深的指導(dǎo)意義。
【圖文】：

度學(xué)習(xí)的研究進(jìn)展與國(guó)內(nèi)外研究現(xiàn)狀機(jī)支付[27, 28]、網(wǎng)頁(yè)搜索[29, 30]、指紋識(shí)別[31, 32]、語(yǔ)音助手[33, 34]、5, 36]到正在研究的自動(dòng)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(jī)‖發(fā)明者艾靈于 1950 提出的一種設(shè)想：希望造出一種機(jī)器，它可以和人的大，可以處理一些只有人才能夠處理的問(wèn)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(jī)器人的研究[39, 40]、仿生系統(tǒng)圖像分類(lèi)的研究[43, 44]、自然語(yǔ)言處理的研究[45, 46]等。而機(jī)器學(xué)習(xí)要的實(shí)現(xiàn)人工智能方法，深度學(xué)習(xí)則是機(jī)器學(xué)習(xí)中的一個(gè)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(jī)器學(xué)習(xí)和人工智能發(fā)展最大的動(dòng)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(jī)器學(xué)習(xí)是從人工神經(jīng)網(wǎng)絡(luò)的研究開(kāi)始的[47-49]。通過(guò)研究人類(lèi)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(jìn)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(hào)先線(xiàn)性求和再經(jīng)過(guò)非線(xiàn)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(jiǎn)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(jìn)行感知器的訓(xùn)練。但是感知器只是一種非常簡(jiǎn)單的神經(jīng)網(wǎng)絡(luò)，其表達(dá)能力非常有限，只能解決一些線(xiàn)性可分的問(wèn)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(jìn)了非線(xiàn)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(xiàn)性分類(lèi)的問(wèn)題，人工神經(jīng)網(wǎng)絡(luò)再次取得發(fā)展。一種簡(jiǎn)單的多層感知圖 1.3 所示。
【學(xué)位授予單位】：中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院長(zhǎng)春光學(xué)精密機(jī)械與物理研究所)
【學(xué)位級(jí)別】：博士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：TP751;TP183

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 胡悅;;金融市場(chǎng)中的神經(jīng)網(wǎng)絡(luò)拐點(diǎn)預(yù)測(cè)法[J];金融經(jīng)濟(jì);2017年18期

2 陳曉燕;;淺析簡(jiǎn)單神經(jīng)網(wǎng)絡(luò)的發(fā)展及簡(jiǎn)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(huì)述評(píng)[J];國(guó)際學(xué)術(shù)動(dòng)態(tài);1996年01期

4 吳立可;;脈沖神經(jīng)網(wǎng)絡(luò)和行為識(shí)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(lèi)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(qiáng);陳娟;熊濤;;基于進(jìn)化神經(jīng)網(wǎng)絡(luò)的短期電力負(fù)荷預(yù)測(cè)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(chē)的設(shè)計(jì)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(huì)議論文 前10條

1 孫軍田;張U

本文編號(hào)：2649561