發(fā)布時(shí)間：2021-05-18 07:01

　　目標(biāo)檢測(cè)已成為計(jì)算機(jī)視覺領(lǐng)域當(dāng)中一個(gè)重要的任務(wù)分支,然而現(xiàn)在多是利用深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)自然圖像進(jìn)行目標(biāo)檢測(cè),較少是針對(duì)光學(xué)遙感影像進(jìn)行研究的。因此,探索更高效的基于深度卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)算法具有現(xiàn)實(shí)的研究意義�；谝陨戏治�,本文利用深度卷積神經(jīng)網(wǎng)絡(luò)來提取光學(xué)遙感影像中目標(biāo)深淺層的特征信息并將其進(jìn)行相應(yīng)的融合來對(duì)圖像中的目標(biāo)進(jìn)行分類與回歸操作,實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè),主要內(nèi)容為如下的三個(gè)方面:1.提出了一種基于反卷積上下文信息融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)方法。首先以光學(xué)遙感影像中的目標(biāo)為中心實(shí)現(xiàn)隨機(jī)偏移劃塊式切割得到包含目標(biāo)的圖像,為了使數(shù)據(jù)與網(wǎng)絡(luò)中的參數(shù)量相匹配避免過擬合對(duì)切割后的圖像進(jìn)行數(shù)據(jù)增強(qiáng)操作來構(gòu)造訓(xùn)練數(shù)據(jù)集。然后在目標(biāo)檢測(cè)SSD網(wǎng)絡(luò)中增加一個(gè)反卷積模塊來實(shí)現(xiàn)上下文信息的聯(lián)系,得到反卷積上下文信息融合網(wǎng)絡(luò)并運(yùn)用此網(wǎng)絡(luò)對(duì)光學(xué)遙感影像中的目標(biāo)進(jìn)行分類與回歸來實(shí)現(xiàn)目標(biāo)檢測(cè)的任務(wù)。本方法的關(guān)鍵在于反卷積模塊的引入,有效地克服了光學(xué)遙感影像中對(duì)于目標(biāo)檢測(cè)精確率不高的問題,通過對(duì)比試驗(yàn),驗(yàn)證了該方法的有效性。2.提出了一種基于細(xì)化反卷積淺層特征融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)方法... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：96 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語對(duì)照表
第一章 緒論
    1.1 選題意義與背景介紹
    1.2 國內(nèi)外的發(fā)展現(xiàn)狀
    1.3 深度學(xué)習(xí)
    1.4 卷積神經(jīng)網(wǎng)絡(luò)
    1.5 目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)
    1.6 論文組織結(jié)構(gòu)
第二章 基于反卷積上下文信息融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)
    2.1 引言
    2.2 實(shí)驗(yàn)數(shù)據(jù)介紹及統(tǒng)計(jì)分析
    2.3 數(shù)據(jù)集構(gòu)造
        2.3.1 訓(xùn)練數(shù)據(jù)集
        2.3.2 測(cè)試數(shù)據(jù)集
    2.4 反卷積上下文信息融合網(wǎng)絡(luò)框架
        2.4.1 Res Net-101 網(wǎng)絡(luò)
        2.4.2 反卷積模塊
        2.4.3 默認(rèn)框設(shè)置
    2.5 非極大值抑制
    2.6 基于反卷積上下文信息融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)方法
    2.7 實(shí)驗(yàn)結(jié)果及分析
        2.7.1 平臺(tái)說明
        2.7.2 實(shí)驗(yàn)結(jié)果分析
    2.8 本章小結(jié)
第三章 基于細(xì)化反卷積淺層特征融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)
    3.1 引言
    3.2 細(xì)化反卷積淺層特征融合網(wǎng)絡(luò)
        3.2.1 VGG-16 網(wǎng)絡(luò)
        3.2.2 默認(rèn)框細(xì)化模塊
        3.2.3 目標(biāo)檢測(cè)模塊
        3.2.4 損失函數(shù)
    3.3 Soft-NMS
        3.3.1 線性加權(quán)NMS
        3.3.2 高斯加權(quán)NMS
        3.3.3 對(duì)數(shù)加權(quán)NMS
    3.4 基于細(xì)化反卷積淺層特征融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)方法
    3.5 實(shí)驗(yàn)結(jié)果及分析
        3.5.1 平臺(tái)說明
        3.5.2 實(shí)驗(yàn)結(jié)果分析
    3.6 本章小結(jié)
第四章 基于曲線波細(xì)化反卷積淺層特征融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)
    4.1 引言
    4.2 Curvelet變換
        4.2.1 Curvelet變換理論基礎(chǔ)
        4.2.2 Curvelet變換發(fā)展過程
    4.3 基于Wrapping的快速離散Curvelet變換實(shí)現(xiàn)方法
    4.4 Curvelet變換的實(shí)現(xiàn)過程
    4.5 Curvelet變換特征分析
    4.6 基于曲線波細(xì)化反卷積淺層特征融合網(wǎng)絡(luò)的光學(xué)遙感影像目標(biāo)檢測(cè)方法
    4.7 實(shí)驗(yàn)結(jié)果及分析
        4.7.1 平臺(tái)說明
        4.7.2 實(shí)驗(yàn)結(jié)果分析
    4.8 本章小結(jié)
第五章 總結(jié)與展望
    5.1 本文工作與總結(jié)
    5.2 工作展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：3193356