低空間分辨率的光學遙感圖像可以用來檢測大型船舶等物理尺度較大的目標,但是難以用于檢測物理尺度較小的目標,這是因為低空間分辨率的光學遙感圖像缺乏空間細節(jié)信息。隨著遙感技術的不斷進步,人們所能獲取的光學遙感圖像的空間分辨率越來越高,相較于低空間分辨率遙感圖像,高空間分辨率遙感圖像具有更加豐富的地物紋理信息,它將傳統(tǒng)的地物表達方式由像素級別擴展到對象空間描述級別。因此基于高分遙感圖像,人們可以探究對其中的小型目標進行有效的檢測。本文的主要工作是研究基于深度學習的高分遙感圖像小目標檢測方法,主要包含以下內容:首先,本文從深度學習神經(jīng)網(wǎng)絡模型的基本原理出發(fā),介紹了神經(jīng)網(wǎng)絡相關原理,揭示了卷積神經(jīng)網(wǎng)絡與圖像處理之間的聯(lián)系。針對傳統(tǒng)目標檢測方法在提取候選框和目標分類方面的局限性,介紹了以RCNN為代表的基于深度學習的多階段目標檢測網(wǎng)絡模型。然后,針對小目標的像素范圍小,空間信息模糊的問題,探究增強小目標圖像空間分辨率的方法以提升目標檢測算法的精度,在對現(xiàn)有超分辨方法進行充分研究的基礎上,分析了目前在深度學習領域中最熱門的生成對抗網(wǎng)絡算法,研究將其與圖像超分辨思想結合,有效提升了基于深度學習的多階段目... 

【文章來源】：哈爾濱工業(yè)大學黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：78 頁

【學位級別】：碩士

【部分圖文】：

常規(guī)目標與小目標

AlexNet結構圖

SPPNet金字塔多尺度池化思想雖然SPPNet解決了RCNN中圖像縮放和重復提取特征的問題，但是它大


本文編號：3556307