合成孔徑雷達圖像目標檢測在SAR圖像解譯中占有重要地位,隨著SAR成像技術(shù)的更新發(fā)展,目標檢測技術(shù)成為戰(zhàn)場環(huán)境偵察、地球科學(xué)遙感等領(lǐng)域中的重要研究方向。SAR數(shù)據(jù)采集能力的日益成熟,使得對效率高、性能佳的SAR圖像處理與解譯技術(shù)的需要更加迫切。得益于深度學(xué)習(xí)在計算機視覺領(lǐng)域的迅速發(fā)展,傳統(tǒng)方法提取特征耗時長、適應(yīng)性差的局限性能夠被深度神經(jīng)網(wǎng)絡(luò)對復(fù)雜數(shù)據(jù)的自動表征能力彌補。本文通過分析深度學(xué)習(xí)在SAR圖像目標檢測領(lǐng)域應(yīng)用的難點對相關(guān)研究現(xiàn)狀和應(yīng)用情況進行歸納,從兩方面改進了基于候選區(qū)域提取的雙階段檢測方法以及基于邊框回歸的單階段檢測方法。具體研究工作如下:1、以神經(jīng)網(wǎng)絡(luò)的建模過程為切入點,從卷積層、池化層及Softmax分類器角度詳細闡述卷積神經(jīng)網(wǎng)絡(luò)的核心組成部分,并對反向傳播算法進行推導(dǎo)。之后結(jié)合兩類典型檢測器Faster RCNN和SSD的實現(xiàn)流程進行深入研究,分析了兩類檢測器中共有的邊框回歸和默認框匹配策略。2、針對復(fù)雜大場景下SAR圖像目標檢測中小尺度、部分排列密集目標漏檢嚴重、存在大量虛警的問題,利用密集特征融合思想來增加候選區(qū)域提取的多樣性,同時結(jié)合候選框的上下文信息輔助小目... 

【文章來源】：國防科技大學(xué)湖南省 211工程院校 985工程院校

【文章頁數(shù)】：88 頁

【學(xué)位級別】：碩士

【部分圖文】：

深度學(xué)習(xí)發(fā)展脈絡(luò)圖

國防科技大學(xué)研究生院碩士學(xué)位論文第6頁一類是基于候選區(qū)域的兩階段目標檢測識別方法；第二類是基于區(qū)域回歸的單階段目標檢測識別方法。兩類的方法的差異可由下圖體現(xiàn)：第一類方法先對候選區(qū)域提取再對其進行檢測分類，因此也可稱為兩階段檢測方法；而第二類方法直接將檢測問題視為邊框回歸問題，因此也稱為單階段檢測方法。(a)基于候選區(qū)域的兩階段目標檢測框架(b)基于區(qū)域回歸的單階段目標檢測框架圖1.2兩種檢測框架對比圖基于區(qū)域建議（RegionProposal）的目標檢測這類算法的主要步驟是：通過SelectiveSearch(SS)[32]、Bing[33]、EdgeBoxes[34]這些目標候選區(qū)域生成算法，生成一系列候選目標區(qū)域，然后通過卷積神經(jīng)網(wǎng)絡(luò)提取目標候選區(qū)域的特征，并用這些特征進行分類以及目標真實邊界框的回歸。針對傳統(tǒng)檢測滑窗方式計算量大的問題，區(qū)域建議能減少很多不必要的識別過程，降低了時間復(fù)雜度且比固定長寬比的滑動窗口質(zhì)量更高。得益于卷積神經(jīng)網(wǎng)絡(luò)在ImageNet[31]分類任務(wù)上取得的出色識別效果，2014年，RossGirshick使用目標候選區(qū)域和CNN相結(jié)合的方法打破了傳統(tǒng)目標檢測使用的滑動窗口和手工設(shè)計特征復(fù)雜度高的局限性，設(shè)計了R-CNN[35]框架。該方法先對待測圖像提取特征再送入支持向量機中分類和全連接網(wǎng)絡(luò)回歸坐標位置，使得目標檢測取得巨大突破，并開啟了基于深度學(xué)習(xí)目標檢測的熱潮。但由于R-CNN中單張圖片生成的候選區(qū)域過多，而且每判斷一次候選區(qū)域就要將圖片進行區(qū)域提取再送入深度神經(jīng)網(wǎng)絡(luò)，使得算法效率不高。隨后，RossGirshick在R-CNN的基礎(chǔ)上提出了FastR-CNN[36]算法，直接在圖像對應(yīng)的深度特征圖上提取候選區(qū)域的特征圖，并用這個特征圖來做后續(xù)的識別

國防科技大學(xué)研究生院碩士學(xué)位論文第13頁圖2.1神經(jīng)元示意圖其中123x,x,x表示神經(jīng)元的輸入，123w,w,w為相應(yīng)的權(quán)重，b為偏置，f()表示激活函數(shù)。神經(jīng)元的集合組成了神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)設(shè)計時為避免前向傳播的無限循環(huán)，神經(jīng)網(wǎng)絡(luò)以無環(huán)圖的方式連接。典型的深度前饋神經(jīng)網(wǎng)絡(luò)均由多隱層、全連接且有向無環(huán)的拓撲形式構(gòu)成。如圖2.2所示，每個縱向代表神經(jīng)網(wǎng)絡(luò)的層，每層都以前一層為輸入，輸出的結(jié)果被傳入下一層。這個簡單的神經(jīng)網(wǎng)絡(luò)由輸入層、兩個隱含層以及輸出層組成。其中每層中的神經(jīng)元均與前后兩層神經(jīng)元成對連接，且層內(nèi)各神經(jīng)元之間不存在相互連接。圖2.2神經(jīng)網(wǎng)絡(luò)連接模型通�，F(xiàn)實應(yīng)用中的神經(jīng)網(wǎng)絡(luò)通過增加節(jié)點數(shù)擴充維度增強網(wǎng)絡(luò)的線性轉(zhuǎn)換能力，通過增加網(wǎng)絡(luò)層數(shù)增加非線性特征的提取能力。隨著網(wǎng)絡(luò)層數(shù)的加深和卷積尺寸的多樣化，豐富的數(shù)學(xué)運算不但擴充了網(wǎng)絡(luò)的容量，也使網(wǎng)絡(luò)對可分性判別特征的學(xué)習(xí)能力增強。但用不足的樣本訓(xùn)練過于復(fù)雜的網(wǎng)絡(luò)時會導(dǎo)致過擬合。過擬合指網(wǎng)絡(luò)對訓(xùn)練數(shù)據(jù)的擬合能力過強，會忽略數(shù)據(jù)本身的基本關(guān)系而將不相關(guān)因素如噪聲作為類別判斷的依據(jù)，從而導(dǎo)致網(wǎng)絡(luò)對已知數(shù)據(jù)分類效果很好但對未知測試數(shù)據(jù)不能正確識別的現(xiàn)象。為弱化訓(xùn)練數(shù)據(jù)量的限制以及參數(shù)的指數(shù)增長

【參考文獻】：
期刊論文
[1]中國海洋衛(wèi)星及應(yīng)用進展[J]. 蔣興偉,林明森,張有廣.  遙感學(xué)報. 2016(05)
[2]影響星載SAR艦船檢測的關(guān)鍵因素[J]. 冷祥光,計科峰,宋海波,鄒煥新.  遙感信息. 2016(01)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的正則化方法[J]. 呂國豪,羅四維,黃雅平,蔣欣蘭.  計算機研究與發(fā)展. 2014(09)
[4]光學(xué)遙感圖像艦船目標檢測與識別綜述[J]. 王彥情,馬雷,田原.  自動化學(xué)報. 2011(09)
[5]基于G0分布的高海況SAR船只目標檢測方法[J]. 魯統(tǒng)臻,張杰,紀永剛,張晰,孟俊敏.  海洋科學(xué)進展. 2011(02)
[6]SAR圖像目標檢測研究綜述[J]. 高貴,周蝶飛,蔣詠梅,匡綱要.  信號處理. 2008(06)
[7]SAR圖像自動目標識別系統(tǒng)研究與設(shè)計[J]. 袁禮海,宋建社,薛文通,趙偉舟.  計算機應(yīng)用研究. 2006(11)
[8]SAR圖象自動目標識別研究[J]. 匡綱要,計科峰,粟毅,郁文賢.  中國圖象圖形學(xué)報. 2003(10)

博士論文
[1]SAR圖像機動目標檢測與鑒別技術(shù)研究[D]. 李禹.國防科學(xué)技術(shù)大學(xué) 2007

碩士論文
[1]合成孔徑雷達圖像恒虛警目標檢測[D]. 李嵐.中國科學(xué)院電子學(xué)研究所 2001



本文編號：3399195