深度學(xué)習(xí)是當(dāng)下研究的熱點和重點,不同于傳統(tǒng)方法需要人工設(shè)計特征,深度學(xué)習(xí)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(luò)結(jié)構(gòu)在分類、目標(biāo)檢測以及語義分割上取得了較優(yōu)的效果。深度學(xué)習(xí)中一些成熟優(yōu)秀的方法被逐漸應(yīng)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(biāo)檢測等領(lǐng)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(lǐng)域的研究相比其他領(lǐng)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(xùn)練分割網(wǎng)絡(luò)的耗時長,分割效果難提高等。本文在已有成熟深度學(xué)習(xí)網(wǎng)絡(luò)的基礎(chǔ)上,針對遙感圖像中飛機目標(biāo)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(biāo)檢測和分割兩個步驟中針對遙感圖像中飛機目標(biāo)的特點提出了一些具體的改進方法。在目標(biāo)檢測中,考慮到飛機目標(biāo)中存在一些小目標(biāo),并且有些小目標(biāo)之間的間距小,定位難度高,本文在經(jīng)典目標(biāo)檢測網(wǎng)絡(luò)Faster Region-based Convolutional Neural Networks(Faster R-CNN)的基礎(chǔ)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(luò)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(luò)ResNet-101作為基礎(chǔ)網(wǎng)絡(luò)(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(xùn)練的方式恢復(fù)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(xùn)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(dǎo)致訓(xùn)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?fù)p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(biāo)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(biāo)的識別精度。
【學(xué)位單位】：電子科技大學(xué)
【學(xué)位級別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751
【部分圖文】：

特征隨著網(wǎng)絡(luò)加深而愈加抽象，而且深層網(wǎng)絡(luò)也梯度爆炸等問題。而且在實踐中，不斷增加網(wǎng)絡(luò)的深度反而會，這是由于非線性網(wǎng)絡(luò)無法逼近恒等映射網(wǎng)絡(luò)。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(luò)學(xué)習(xí)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(xué)習(xí)的發(fā)展。13

圖 2-2 ResNet-101 中的殘差結(jié)構(gòu)[73]習(xí)的目標(biāo)檢測方法NN網(wǎng)絡(luò)不同，目標(biāo)檢測網(wǎng)絡(luò)需要得到目標(biāo)的準(zhǔn)決兩個主要問題，第一要得到目標(biāo)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(luò)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(luò)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(luò)(RPN)，用來告訴 FastN 候選框所在區(qū)域，藍(lán)色虛線框所示為 Fast R-CNN 網(wǎng)絡(luò)，用來分辨區(qū)域絡(luò)提出的候選框中是否有目標(biāo)，并對候選框進行調(diào)整。其中區(qū)域生成網(wǎng)絡(luò)候選框的方法如圖 2-4所示：圖 2-4 區(qū)域生成網(wǎng)絡(luò)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(biāo)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(biāo)檢測[J];計算機工程與應(yīng)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(yīng)用;2003年02期

本文編號：2885981