深度學習是當下研究的熱點和重點,不同于傳統(tǒng)方法需要人工設計特征,深度學習自動地提取圖像中的特征,并且提取的特征更具有代表性,也更加魯棒。自然圖像處理已經(jīng)有很多優(yōu)秀的網(wǎng)絡結(jié)構(gòu)在分類、目標檢測以及語義分割上取得了較優(yōu)的效果。深度學習中一些成熟優(yōu)秀的方法被逐漸應用于遙感圖像處理中,特別是在土地利用分類、變化檢測、目標檢測等領域,已經(jīng)有很多針對遙感圖像的新方法被提出。但是,遙感圖像語義分割領域的研究相比其他領域較少,主要是因為構(gòu)建遙感圖像語義分割數(shù)據(jù)集的難度大,訓練分割網(wǎng)絡的耗時長,分割效果難提高等。本文在已有成熟深度學習網(wǎng)絡的基礎上,針對遙感圖像中飛機目標的檢測和分割問題提出了一些有用的改進方法。本文在飛機目標檢測和分割兩個步驟中針對遙感圖像中飛機目標的特點提出了一些具體的改進方法。在目標檢測中,考慮到飛機目標中存在一些小目標,并且有些小目標之間的間距小,定位難度高,本文在經(jīng)典目標檢測網(wǎng)絡Faster Region-based Convolutional Neural Networks(Faster R-CNN)的基礎上添加了Feature Pyramid Networks(FPN)結(jié)構(gòu),使得在檢測時結(jié)合多尺度信息以提高檢測精度。在語義分割中,首先,為了保證在逐像素點分類時能夠結(jié)合更多的高分辨率信息,本文通過減小網(wǎng)絡下采樣倍數(shù)來減少下采樣時造成的信息缺失;其次,在使用大型網(wǎng)絡ResNet-101作為基礎網(wǎng)絡(backbone)時,由于內(nèi)存的限制而無法將下采樣倍數(shù)減小到1,所以本文使用反卷積層這種可訓練的方式恢復特征圖到輸入圖像大小,使用跳躍連接方式結(jié)合高分辨率信息;最后,在使用交叉熵函數(shù)作為損失函數(shù)時,訓練圖像中的容易樣本所造成的誤差會掩蓋困難樣本所造成的誤差,這會導致訓練出來的模型對于困難樣本的分割效果差,為了解決這個問題,本文使用Focal Loss替代交叉熵損失,為容易樣本分配小的權(quán)重,為困難樣本分配大的權(quán)重。另外,本文還自建了飛機目標檢測樣本集和語義分割樣本集,并基于樣本集對所提出的改進方法進行了實驗對比,實驗證明了本文提出的改進方法可以明顯提高飛機目標的識別精度。
【學位單位】：電子科技大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751
【部分圖文】：

特征隨著網(wǎng)絡加深而愈加抽象，而且深層網(wǎng)絡也梯度爆炸等問題。而且在實踐中，不斷增加網(wǎng)絡的深度反而會，這是由于非線性網(wǎng)絡無法逼近恒等映射網(wǎng)絡。為了解決這巧妙的將兩個連續(xù)卷積層后的輸出與第一個卷積層的輸入相加作入(如圖 2-2 所示），從而讓網(wǎng)絡學習恒等映射的擾動。這種從動的轉(zhuǎn)換使得基于 ResNet 可以構(gòu)建的更深，將深度學習的發(fā)展。13

圖 2-2 ResNet-101 中的殘差結(jié)構(gòu)[73]習的目標檢測方法NN網(wǎng)絡不同，目標檢測網(wǎng)絡需要得到目標的準決兩個主要問題，第一要得到目標出現(xiàn)的可使得到了候選框，其定位也只是大概的區(qū)域候選框進行調(diào)整。第一個問題用傳統(tǒng)的方式擇性搜索方法在 CPU 上過濾一遍候選框的 0.2 秒，結(jié)合這兩種方法已經(jīng)可以解決第一兩種方法都無法解決。的發(fā)展和 GPU 的出現(xiàn)，卷積神經(jīng)網(wǎng)絡在很早題上并取得了不錯的效果，但是其在對每個的操作。2015 年提出的 Faster R-CNN 用一

圖 2-3 Faster-RCNN網(wǎng)絡結(jié)構(gòu)[88]如圖 2-3 所示，綠色虛線框所示為區(qū)域生成網(wǎng)絡(RPN)，用來告訴 FastN 候選框所在區(qū)域，藍色虛線框所示為 Fast R-CNN 網(wǎng)絡，用來分辨區(qū)域絡提出的候選框中是否有目標，并對候選框進行調(diào)整。其中區(qū)域生成網(wǎng)絡候選框的方法如圖 2-4所示：圖 2-4 區(qū)域生成網(wǎng)絡結(jié)構(gòu)[53]
【參考文獻】

相關(guān)期刊論文 前4條

1 尹輝;谷峰;岳劍飛;張洪順;;基于視覺顯著搜索與AdaBoost算法的遙感目標檢測[J];艦船電子對抗;2013年05期

2 徐剛鋒;王平;沈振康;;基于骨架特征的機場主跑道識別[J];紅外與激光工程;2006年06期

3 王凱峰,秦前清;基于單類SVM的遙感圖像目標檢測[J];計算機工程與應用;2005年32期

4 高守英,吳泉源,安國強;基于GIS的龍口市泳汶河流域地貌形態(tài)定量分析[J];遙感技術(shù)與應用;2003年02期

本文編號：2885981