科技的進(jìn)步使得在提高遙感影像分辨率方面有了重大的突破,高分辨率影像內(nèi)部蘊含了大量的特征信息,尤其是在遙感領(lǐng)域研究中,需要重點分析影像中地物目標(biāo)的空間結(jié)構(gòu)和淺層的紋理特性,為提取出更加精細(xì)的地物邊緣特征奠定基礎(chǔ)。遙感圖像目標(biāo)檢測是高分辨率遙感影像應(yīng)用的主要范疇之一。飛機作為民用生活和軍事作戰(zhàn)中的一種關(guān)鍵目標(biāo),對其檢測具有一定的理論意義和實用價值。本文首先采用深層卷積神經(jīng)網(wǎng)絡(luò)來提取高分辨率影像特征信息,根據(jù)地物特征的差異性進(jìn)行場景分類。然后針對目前遙感影像中飛機檢測結(jié)果不佳的問題,提出一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的飛機檢測方法,最終進(jìn)行實驗測試,完成機場場景下的飛機檢測任務(wù),并有效地改善了檢測結(jié)果。主要工作內(nèi)容及成果如下:第一,遙感影像場景識別分類。利用卷積神經(jīng)網(wǎng)絡(luò)良好的分類能力以及遷移學(xué)習(xí)的優(yōu)勢,提出了一種基于Inception-v4網(wǎng)絡(luò)的PISC方法用以識別高分辨率遙感影像中的各類場景,從而得到機場場景。首先通過深度卷積神經(jīng)網(wǎng)絡(luò)Inception-v4在Image Net上訓(xùn)練,得到預(yù)訓(xùn)練模型以及相應(yīng)的初始化參數(shù),由此可以在很大程度上減少了訓(xùn)練時間的耗費,也能避免出現(xiàn)過擬合現(xiàn)象帶來的分類準(zhǔn)... 

【文章來源】：河南大學(xué)河南省

【文章頁數(shù)】：63 頁

【學(xué)位級別】：碩士

【部分圖文】：

衛(wèi)星航拍圖

第2章相關(guān)理論知識及技術(shù)11池化層也稱降采樣層，常用的降采樣方式有兩種：最大池化(maxpooling)和平均池化(averagepooling)。以一定的步長在區(qū)域內(nèi)選擇最大值或平均值得到池化的結(jié)果，能夠在減少數(shù)據(jù)量的同時保留有用的信息，使卷積神經(jīng)網(wǎng)絡(luò)具有抗畸變的能力。如圖2-2為池化過程示意圖。MaxpoolingorAveragepooling2x2filtersandstride2圖2-2池化過程示意圖非線性映射層——激活函數(shù)層，近似于人類大腦真實神經(jīng)元的抑制行為，能夠強化目標(biāo)識別的能力。將圖像在上一個卷積層的結(jié)果線性化合并后，在根據(jù)非線性映射函數(shù)獲得激活后結(jié)果。常用的激活函數(shù)包括Sigmoid、Tanh、Relu等，如圖2-3所示。圖2-3激活函數(shù)

基于CNN的遙感影像中飛機檢測方法研究203.3實驗設(shè)計與結(jié)果分析3.3.1實驗數(shù)據(jù)集實驗采用UCMercedLandUse遙感圖像數(shù)據(jù)集，選自美國USGS國家城市地圖圖像中的不同地區(qū)的航空遙感影像，該數(shù)據(jù)集由21個分類組成，影像的空間分辨率為1英尺,每個類別包含有100幅尺寸為256×256像素的影像。其中各個類別表征重復(fù)度較高，同種類別內(nèi)的場景差異較大，相互不同種類的特征相近，因此UCMercedLandUse在航空航天影像研究中應(yīng)用較為普遍，如圖3-4所示。(a)機場(b)棒球場(c)海灘(d)建筑(e)森林(f)高爾夫球場(g)中等住宅區(qū)(h)停車場圖3-4UCMercedLandUse遙感圖像數(shù)據(jù)集的部分場景示例3.3.2實驗設(shè)置選用目前應(yīng)用較為廣泛的Tensorflow框架作為本實驗的開發(fā)環(huán)境，在配置為windows10、處理器為Intel(R)_Xeon(R)_CPU_E5-1603_v3_@_2.80GHz，內(nèi)存為32GB的平臺的計算機上進(jìn)行運算。首先利用遷移學(xué)習(xí)，在ImageNet數(shù)據(jù)集上訓(xùn)練Inception-v4，獲得預(yù)訓(xùn)練模型，保存在Inception-v4模型中已訓(xùn)練完成的全部參數(shù)，然后僅將全連接層進(jìn)行更換。將高分辨率遙感影像輸入網(wǎng)絡(luò)，訓(xùn)練并調(diào)整參數(shù)，最后用Softmax分類器訓(xùn)練該特征。其中，模型學(xué)習(xí)率為0.0001，迭代次數(shù)為7000次，批尺寸(Batch_size)為30。為了更加客觀的劃分?jǐn)?shù)據(jù)，減少人為因素，本次試驗隨機選取每類場景的80%作為訓(xùn)練集，驗證集占總數(shù)據(jù)的10%，測試集也占總數(shù)據(jù)的10%。由TensorBoard[56]可視化本章實驗所得數(shù)據(jù)，

【參考文獻(xiàn)】：
期刊論文
[1]基于多尺度特征稠密連接的遙感圖像目標(biāo)檢測方法[J]. 張裕,楊海濤,劉翔宇.  中國電子科學(xué)研究院學(xué)報. 2019(05)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)與高光譜的雞肉品質(zhì)分類檢測[J]. 王九清,邢素霞,王孝義,曹宇.  肉類研究. 2018(12)
[3]TensorFlow在圖像識別系統(tǒng)中的應(yīng)用[J]. 邢艷芳,段紅秀,何光威.  計算機技術(shù)與發(fā)展. 2019(05)
[4]基于深度學(xué)習(xí)的國產(chǎn)高分遙感影像飛機目標(biāo)自動檢測[J]. 李淑敏,馮權(quán)瀧,梁其椿,張學(xué)慶.  遙感技術(shù)與應(yīng)用. 2018(06)
[5]基于密集卷積網(wǎng)絡(luò)（DenseNets）的遙感圖像分類研究[J]. 李達(dá),李琳,李想.  計算機時代. 2018(10)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測[J]. 歐攀,張正,路奎,劉澤陽.  激光與光電子學(xué)進(jìn)展. 2019(05)
[7]改進(jìn)的YOLOv3紅外視頻圖像行人檢測算法[J]. 王殿偉,何衍輝,李大湘,劉穎,許志杰,王晶.  西安郵電大學(xué)學(xué)報. 2018(04)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)與光譜特征的夏威夷果品質(zhì)鑒定研究[J]. 杜劍,胡炳樑,劉永征,衛(wèi)翠玉,張耿,唐興佳.  光譜學(xué)與光譜分析. 2018(05)
[9]卷積神經(jīng)網(wǎng)絡(luò)遷移的高分影像場景分類學(xué)習(xí)[J]. 李冠東,張春菊,王銘愷,張雪英,高飛.  測繪科學(xué). 2019(04)
[10]應(yīng)用深度卷積神經(jīng)網(wǎng)絡(luò)的機場及機場內(nèi)飛機目標(biāo)識別技術(shù)[J]. 李耀龍,張永科,羅鎮(zhèn)寶.  重慶理工大學(xué)學(xué)報(自然科學(xué)). 2018(03)

博士論文
[1]基于特征學(xué)習(xí)的高分辨率遙感圖像場景分類研究[D]. 胡凡.武漢大學(xué) 2017

碩士論文
[1]基于YOLO的目標(biāo)檢測算法設(shè)計與實現(xiàn)[D]. 阮激揚.北京郵電大學(xué) 2019
[2]基于深度卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)檢測算法研究[D]. 周天怡.哈爾濱工業(yè)大學(xué) 2019
[3]基于深度學(xué)習(xí)的目標(biāo)檢測研究與應(yīng)用[D]. 姚筑宇.北京郵電大學(xué) 2019
[4]遙感圖像飛機目標(biāo)檢測與識別算法研究[D]. 高琪琪.南昌航空大學(xué) 2015



本文編號：3571436