隨著遙感圖像分辨率的提高,從遙感圖像中獲得的信息變得越來越豐富。遙感圖像識別技術(shù)在軍事導(dǎo)航和環(huán)境監(jiān)測等方面具有重要意義,對遙感圖像進(jìn)行目標(biāo)檢測具有重要的現(xiàn)實意義和應(yīng)用前景。但是在遙感圖像中存在許多的干擾因素,如視角特殊性、背景復(fù)雜度高以及小目標(biāo)問題等,從而對遙感圖像物體檢測技術(shù)提出了更高的要求和挑戰(zhàn)。近年來,深度學(xué)習(xí)在圖像分類和識別領(lǐng)域取得了顯著成果,引起了眾多研究者的關(guān)注。盡管與傳統(tǒng)方法相比,深度學(xué)習(xí)方法在檢測性能方面具有顯著優(yōu)勢,但是由于遙感圖像的特殊性,當(dāng)前遙感圖像目標(biāo)檢測算法在檢測速度與準(zhǔn)確率方面還不能滿足大范圍自動化應(yīng)用的要求,檢測速率與檢測準(zhǔn)確度還能有較大的提升。針對以上問題,本文的主要工作與創(chuàng)新點如下:(1)提出了一種基于改進(jìn)SSD(Single Shot MultiBox Detector)的遙感圖像目標(biāo)檢測方法。首先針對SSD基礎(chǔ)網(wǎng)絡(luò)VGG-16參數(shù)繁多,計算成本高的問題,提出使用inception-v2作為SSD模型中的基礎(chǔ)網(wǎng)絡(luò),以減少特征提取過程中花費(fèi)的時間,加速網(wǎng)絡(luò)訓(xùn)練。然后,針對SSD在多尺度目標(biāo)檢測中存在小目標(biāo)檢測效果不好的現(xiàn)象,采用上采樣與Concat操作的方式將inception-v2中的Mixed 3c層、Mixed 4c層與Mixed 5c層進(jìn)行通道連接與特征融合,從而使低層特征語義信息與高層特征語義相結(jié)合,提高低層網(wǎng)絡(luò)提取特征的能力。最后針對SSD在訓(xùn)練過程中出現(xiàn)的正負(fù)樣本不平衡的問題,本文提出采用Focal Loss解決這一問題,使得SSD網(wǎng)絡(luò)在訓(xùn)練過程中聚焦于難分類的樣本,加速網(wǎng)絡(luò)收斂。在公開的三個遙感圖像數(shù)據(jù)集NWPU-VHR、UCAS-AOD以及RSOD上進(jìn)行了對比實驗,與改進(jìn)前的SSD相比,在檢測速度匹配的同時平均精確率分別提高了5.4%、6.1%以及11.6%。(2)提出了一種基于改進(jìn)Faster R-CNN的遙感圖像目標(biāo)檢測方法。針對遙感圖像中小、中型目標(biāo)所占比例較大的特點,通過對Faster R-CNN的檢測性能分析,首先,提出在Faster R-CNN網(wǎng)絡(luò)結(jié)構(gòu)中增加Conv2 2層、Conv3 3層、Conv4 3層作為RoI池化層的輸入,RoI池化層的輸入由之前的Conv5 3一層增加為四層,池化后的輸出通過Concat操作進(jìn)行特征融合后作為用于預(yù)測的最終特征圖。其次,通過改變Faster R-CNN中anchors的尺度來匹配遙感圖像中目標(biāo)的尺度大小,anchors的數(shù)目由之前的9個變?yōu)?5個。在NWPU-VHR、UCAS-AOD以及RSOD數(shù)據(jù)集上的平均精確率比改進(jìn)前的Faster R-CNN分別提升了2.5%、2.7%以及3.6%。
【學(xué)位單位】：湖南大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751;TP18

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;圖像目標(biāo)檢測技術(shù)及應(yīng)用[J];大數(shù)據(jù);2016年05期

2 李林;張盛兵;吳鵑;;基于深度學(xué)習(xí)的實時圖像目標(biāo)檢測系統(tǒng)設(shè)計[J];計算機(jī)測量與控制;2019年07期

3 ;中科院沈陽自動化所基于深度學(xué)習(xí)的航拍圖像目標(biāo)檢測研究取得進(jìn)展[J];自動化博覽;2019年12期

4 安潔玉;丁斌芬;;無人機(jī)海監(jiān)測繪技術(shù)應(yīng)用下艦船遙感圖像目標(biāo)檢測[J];艦船科學(xué)技術(shù);2019年24期

5 楊桄;田張男;李豪;關(guān)世豪;;基于線性解混的高光譜圖像目標(biāo)檢測研究[J];激光技術(shù);2020年02期

6 程秋菊;陳國平;王璐;管春;;基于卷積神經(jīng)網(wǎng)絡(luò)的毫米波圖像目標(biāo)檢測[J];科學(xué)技術(shù)與工程;2020年13期

7 張裕;楊海濤;;基于深度學(xué)習(xí)的輕量化遙感圖像目標(biāo)檢測方法[J];信息技術(shù);2019年09期

8 李曉冰;;具有先驗信息的經(jīng)緯儀測量圖像目標(biāo)檢測技術(shù)[J];光電技術(shù)應(yīng)用;2008年01期

9 賀霖;潘泉;邸椺;李遠(yuǎn)清;;高光譜圖像目標(biāo)檢測研究進(jìn)展[J];電子學(xué)報;2009年09期

10 張裕;楊海濤;劉翔宇;;基于多尺度特征稠密連接的遙感圖像目標(biāo)檢測方法[J];中國電子科學(xué)研究院學(xué)報;2019年05期

相關(guān)會議論文 前9條

1 羅來全;李升波;高洪波;劉征宇;成波;;用于圖像目標(biāo)檢測的深度Q學(xué)習(xí)算法[A];2019第七屆中國指揮控制大會論文集[C];2019年

2 李國強(qiáng);艾淑芳;;一種天空背景紅外圖像目標(biāo)檢測方法[A];第九屆全國光電技術(shù)學(xué)術(shù)交流會論文集（下冊）[C];2010年

3 黃家閩;楊瓏頎;;基于隨機(jī)共振和支持向量機(jī)的聲納圖像目標(biāo)檢測[A];信號處理在生儀2014學(xué)術(shù)年會論文集[C];2014年

4 劉東華;王元欽;李秋娜;;小波分析理論在圖像目標(biāo)檢測中的應(yīng)用[A];第二屆全國信息獲取與處理學(xué)術(shù)會議論文集[C];2004年

5 高飛;劉愛冬;;基于深度卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測[A];第十二屆全國信號和智能信息處理與應(yīng)用學(xué)術(shù)會議論文集[C];2018年

6 劉代志;何元磊;黃世奇;;基于地物波譜特性的高光譜圖像目標(biāo)檢測與識別[A];國家安全地球物理叢書（七）——地球物理與核探測[C];2011年

7 潘雄;郎量;苗燦;趙盈盈;杜雨馨;朱杏子;;基于深度學(xué)習(xí)的被動毫米波圖像目標(biāo)檢測方法研究[A];2019年全國微波毫米波會議論文集（上冊）[C];2019年

8 劉向君;楊澤剛;劉強(qiáng);;基于多波段SAR圖像目標(biāo)檢測決策級融合和圖像分類的目標(biāo)狀態(tài)標(biāo)注[A];第十四屆全國信號處理學(xué)術(shù)年會(CCSP-2009)論文集[C];2009年

9 江政杰;李雨倩;陳金勇;林云;李宇曜;;領(lǐng)域自適應(yīng)在遙感圖像目標(biāo)檢測問題中的應(yīng)用[A];第六屆高分辨率對地觀測學(xué)術(shù)年會論文集（上）[C];2019年

相關(guān)博士學(xué)位論文 前10條

1 王振華;基于深度學(xué)習(xí)的野外巡線系統(tǒng)圖像目標(biāo)檢測研究[D];中國地質(zhì)大學(xué)(北京);2018年

2 黃勇;基于語義信息的高分辨SAR圖像目標(biāo)檢測[D];西安電子科技大學(xué);2018年

3 王兆成;復(fù)雜場景下SAR圖像目標(biāo)檢測及鑒別方法研究[D];西安電子科技大學(xué);2018年

4 張國敏;復(fù)雜場景遙感圖像目標(biāo)檢測方法研究[D];國防科學(xué)技術(shù)大學(xué);2010年

5 劉說;低檢測率SAR圖像目標(biāo)檢測與識別理論研究[D];電子科技大學(xué);2017年

6 李軒;基于局部特征的遙感圖像目標(biāo)檢測方法研究[D];長春理工大學(xué);2016年

7 李曉慧;高光譜圖像目標(biāo)檢測及壓縮方法研究[D];哈爾濱工程大學(xué);2014年

8 郭鵬宇;光測圖像目標(biāo)檢測跟蹤與判讀方法研究[D];國防科學(xué)技術(shù)大學(xué);2015年

9 郭軍;引入上下文信息的可見光遙感圖像目標(biāo)檢測與識別方法研究[D];國防科學(xué)技術(shù)大學(xué);2014年

10 傅志中;紅外掃描成像動目標(biāo)檢測跟蹤技術(shù)與DSP實時實現(xiàn)[D];電子科技大學(xué);2002年

相關(guān)碩士學(xué)位論文 前10條

1 趙坤;基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測方法研究[D];湖南大學(xué);2019年

2 張鵬;基于卷積神經(jīng)網(wǎng)絡(luò)的多尺度遙感圖像目標(biāo)檢測方法研究[D];西安電子科技大學(xué);2019年

3 陳小波;基于多尺度特征融合與方向邊界框預(yù)測的光學(xué)遙感圖像目標(biāo)檢測[D];西安電子科技大學(xué);2019年

4 李閣;基于多尺度深度特征融合網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測與分類[D];西安電子科技大學(xué);2019年

5 王飛;基于深度網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測與鑒別[D];西安電子科技大學(xué);2019年

6 閆俊起;基于層次視覺計算和表征學(xué)習(xí)的圖像目標(biāo)檢測[D];西安電子科技大學(xué);2019年

7 黃國權(quán);基于深度學(xué)習(xí)的衛(wèi)星圖像目標(biāo)檢測與識別研究[D];浙江大學(xué);2019年

8 李星悅;基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測研究[D];中國科學(xué)技術(shù)大學(xué);2019年

9 王萌;基于修剪策略的遙感圖像目標(biāo)檢測方法研究[D];吉林大學(xué);2019年

10 闕鈺佳;基于深度學(xué)習(xí)的SAR圖像處理研究[D];電子科技大學(xué);2019年

本文編號：2812248