發(fā)布時(shí)間：2021-10-15 02:02

　　高分辨率遙感影像目標(biāo)檢測(cè)在遙感圖像分析解譯、高分遙感圖像應(yīng)用等方面扮演重要角色,在軍事和民用方面都有很多應(yīng)用如災(zāi)害預(yù)測(cè)、資源勘查、海事漁業(yè)、交通監(jiān)管等。傳統(tǒng)的目標(biāo)檢測(cè)方法主要是利用一些傳統(tǒng)的手工的特征（如HOG、SIFT、Gabor等）、滑動(dòng)窗口和分類器實(shí)現(xiàn)。傳統(tǒng)的手工特征依賴于專業(yè)領(lǐng)域知識(shí)以及數(shù)據(jù)本身的特性,并且計(jì)算量大,速度慢,適用于特定的、數(shù)據(jù)量較小的圖像數(shù)據(jù)集。隨著遙感影像分辨率不斷提升,數(shù)據(jù)量不斷增大,傳統(tǒng)的手工特征方法已越來越難以滿足遙感影像目標(biāo)檢測(cè)的需要,因而需要尋求一種能夠從大量圖像數(shù)據(jù)集里快速高效進(jìn)行目標(biāo)檢測(cè)的算法。近年來,深度學(xué)習(xí)作為一種熱門技術(shù),能夠自動(dòng)從圖像數(shù)據(jù)中提取特征,在自然語言處理、語音識(shí)別和計(jì)算機(jī)視覺領(lǐng)域取得了巨大的成功,這為遙感影像目標(biāo)檢測(cè)帶來了新進(jìn)展。本文在對(duì)遙感圖像目標(biāo)檢測(cè)和深度學(xué)習(xí)相關(guān)理論進(jìn)行充分研究的基礎(chǔ)上,總結(jié)了遙感影像目標(biāo)檢測(cè)的主要難點(diǎn)和現(xiàn)有方法存在的問題,重點(diǎn)研究了基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像的目標(biāo)檢測(cè)方法,主要工作如下:（1）針對(duì)傳統(tǒng)目標(biāo)檢測(cè)方法使用滑動(dòng)窗口產(chǎn)生候選區(qū)域,同時(shí)使用傳統(tǒng)手工特征進(jìn)行目標(biāo)檢測(cè)從而導(dǎo)致檢測(cè)準(zhǔn)確率低、窗... 

【文章來源】：中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所)北京市

【文章頁數(shù)】：67 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

當(dāng)前的高分辨率遙感衛(wèi)星及其分辨率統(tǒng)計(jì)

圖 1.2 目標(biāo)檢測(cè)框架如圖 1.2 所示，目標(biāo)檢測(cè)處理流程可劃分為區(qū)域選擇、特征提取、分類三個(gè)步驟：區(qū)域選擇是從圖像中選擇一部分可能包含目標(biāo)的候選區(qū)域，傳是使用滑動(dòng)窗；特征提取是對(duì)候選區(qū)域提取特征以便進(jìn)行后續(xù)的類別判定性的特征有 SIFT(scale-invariantfeaturetransform)[4]、Haar[5]、HOG(histogoriented gradient)[6]等；分類器分類即使用分類器對(duì)提取到的特征進(jìn)行判 表 性 的 分 類 器 有 AdaBoost[7]、 SVM( support vector machine)[8]M(deformablepartsmodel)[9]、RF(randomforest)[10]等。其中，特征提取是標(biāo)檢測(cè)效果的重要因素，很多工作都圍繞特征提取展開，按照特征提取方同，目標(biāo)檢測(cè)方法可以劃分為基于傳統(tǒng)手工特征的目標(biāo)檢測(cè)方法和基于深度的目標(biāo)檢測(cè)方法。

第 2 章 深度學(xué)習(xí)的理論和方法的連接權(quán)重以及激活函數(shù)的不同而得到不同的輸出結(jié)果。神經(jīng)網(wǎng)絡(luò)的訓(xùn)練就是讓其通過學(xué)習(xí)神經(jīng)元之間的連接權(quán)重來反映訓(xùn)練數(shù)據(jù)的分布情況，進(jìn)而對(duì)未知數(shù)據(jù)具有特征提取和判別能力。網(wǎng)絡(luò)結(jié)構(gòu)和各神經(jīng)元連接權(quán)重的訓(xùn)練算法是人工神經(jīng)網(wǎng)絡(luò)的關(guān)鍵。

【參考文獻(xiàn)】：
期刊論文
[1]基于集成卷積神經(jīng)網(wǎng)絡(luò)的肺部腫瘤計(jì)算機(jī)輔助診斷模型[J]. 王媛媛,周濤,陸惠玲,吳翠穎,楊鵬飛.  生物醫(yī)學(xué)工程學(xué)雜志. 2017(04)
[2]雙通道卷積神經(jīng)網(wǎng)絡(luò)在靜態(tài)手勢(shì)識(shí)別中的應(yīng)用[J]. 馮家文,張立民,鄧向陽.  計(jì)算機(jī)工程與應(yīng)用. 2018(14)
[3]一種飛機(jī)目標(biāo)的遙感識(shí)別方法[J]. 殷文斌,王成波,袁翠,喬彥友.  測(cè)繪通報(bào). 2017(03)
[4]基于多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的高分遙感影像飛機(jī)目標(biāo)檢測(cè)[J]. 姚相坤,萬里紅,霍宏,方濤.  計(jì)算機(jī)工程. 2017(01)
[5]基于加權(quán)紋理特征的SAR圖像目標(biāo)識(shí)別算法[J]. 張國剛,徐向輝.  國外電子測(cè)量技術(shù). 2015(09)
[6]基于視覺單詞選擇的高分辨率遙感圖像飛機(jī)目標(biāo)檢測(cè)[J]. 李士進(jìn),仇建斌,於慧.  數(shù)據(jù)采集與處理. 2014(01)
[7]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計(jì)算機(jī)研究與發(fā)展. 2013(09)
[8]HOG特征混合模型結(jié)合隱SVM的感興趣目標(biāo)檢測(cè)定位算法[J]. 胡正平,楊建秀.  信號(hào)處理. 2011(08)
[9]一種基于聚類技術(shù)的選擇性神經(jīng)網(wǎng)絡(luò)集成方法[J]. 李凱,黃厚寬.  計(jì)算機(jī)研究與發(fā)展. 2005(04)

博士論文
[1]高分辨率光學(xué)遙感圖像中典型人造目標(biāo)檢測(cè)技術(shù)研究[D]. 王慧利.中國科學(xué)院長春光學(xué)精密機(jī)械與物理研究所 2017

碩士論文
[1]卷積神經(jīng)網(wǎng)絡(luò)在遙感目標(biāo)識(shí)別中的應(yīng)用研究[D]. 殷文斌.中國科學(xué)院大學(xué)(中國科學(xué)院遙感與數(shù)字地球研究所) 2017
[2]基于集成卷積神經(jīng)網(wǎng)絡(luò)的人臉性別識(shí)別研究[D]. 吳澤銀.華南理工大學(xué) 2016
[3]基于改進(jìn)的SIFT特征匹配方法在目標(biāo)識(shí)別中的應(yīng)用研究[D]. 李文鳳.沈陽理工大學(xué) 2015
[4]基于HOG特征的目標(biāo)識(shí)別算法研究[D]. 尚俊.華中科技大學(xué) 2012
[5]遙感圖像目標(biāo)檢測(cè)[D]. 黃姍.西安電子科技大學(xué) 2010



本文編號(hào)：3437224