隨著遙感相關(guān)技術(shù)的迅猛發(fā)展,高分辨率遙感圖像的采集,為我們提供了海量的遙感信息,其中不乏大量的飛行器目標(biāo)。飛行器目標(biāo)在結(jié)構(gòu)形態(tài)上大致相似,在局部部位上卻千差萬別,想要將形形色色不同種類的飛行器目標(biāo)區(qū)分開不僅對于人類很難,對于人工智能模型更是難上加難。因此,將遙感圖像中的飛行器目標(biāo)在細(xì)粒度上進(jìn)行分類,對機(jī)場的管理、航線監(jiān)控、飛行器目標(biāo)甄別都起著重要作用。由此,本文針對細(xì)粒度數(shù)據(jù)集進(jìn)行增廣,對模型進(jìn)行混淆分析,并提出基于卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵點(diǎn)預(yù)測技術(shù),基于關(guān)鍵點(diǎn)提取局部區(qū)域,利用部位全連接層學(xué)習(xí)局部區(qū)域特征,從而提升遙感圖像中飛行器目標(biāo)細(xì)粒度分類的識別。首先,本文針對細(xì)粒度數(shù)據(jù)集數(shù)據(jù)量少、標(biāo)注代價(jià)高等問題,提出了基于特征關(guān)鍵點(diǎn)的數(shù)據(jù)增廣方法。通過尋找對分類器起決定性作用的區(qū)域針對性的進(jìn)行增廣,減緩過擬合問題,在多個(gè)細(xì)粒度數(shù)據(jù)集上提高了分類精準(zhǔn)度,其中在飛行器細(xì)粒度數(shù)據(jù)集上提升了 8.47%。對于模型易混淆類別,我們分別使用混淆圖、Grad-CAM、Part-Grad-CAM方法在類別層面、目標(biāo)個(gè)體層面、目標(biāo)部位層面由粗到細(xì)的進(jìn)行混淆原因的分析。關(guān)鍵部位的特征對細(xì)粒度分類起著決定性作用。本文提...

【文章頁數(shù)】：98 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 課題研究背景
        1.1.1 光學(xué)遙感圖像的研究背景和意義
        1.1.2 光學(xué)遙感圖像中細(xì)粒度分類的研究背景和意義
    1.2 課題研究現(xiàn)狀
        1.2.1 基于普通目標(biāo)物體的細(xì)粒度識別的研究現(xiàn)狀
        1.2.2 基于光學(xué)遙感圖像中細(xì)粒度目標(biāo)物體識別的研究現(xiàn)狀
    1.3 課題研究內(nèi)容
    1.4 論文結(jié)構(gòu)
第二章 基于細(xì)粒度數(shù)據(jù)集的數(shù)據(jù)增廣策略及模型評估
    2.1 數(shù)據(jù)增廣方法
        2.1.1 基于特征興趣點(diǎn)的數(shù)據(jù)增廣方法
    2.2 基于混淆圖的混淆類別篩選方法
        2.2.1 混淆圖構(gòu)造算法
        2.2.2 遙感圖像中飛行器目標(biāo)混淆圖的構(gòu)造
    2.3 基于CAM的關(guān)鍵部位定位方法
        2.3.1 基于Grad-CAM的全局特征定位方法
        2.3.2 基于Part-Grad-CAM的部位特征定位方法
    2.4 實(shí)驗(yàn)結(jié)果及分析
        2.4.1 實(shí)驗(yàn)環(huán)境
        2.4.2 遙感圖像中飛行器數(shù)據(jù)集采集方法
        2.4.3 數(shù)據(jù)增廣方法分析
        2.4.4 基于混淆圖的混淆類別分析
        2.4.5 基于CAM的可視化方法分析
    2.5 本章總結(jié)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的關(guān)鍵點(diǎn)預(yù)測算法
    3.1 引言
        3.1.1 關(guān)鍵點(diǎn)預(yù)測方法的應(yīng)用
        3.1.2 基于無監(jiān)督信息的關(guān)鍵點(diǎn)預(yù)測
    3.2 基于VGG19的關(guān)鍵點(diǎn)預(yù)測算法
        3.2.1 訓(xùn)練數(shù)據(jù)集準(zhǔn)備
        3.2.2 神經(jīng)網(wǎng)絡(luò)的遷移學(xué)習(xí)
        3.2.3 關(guān)鍵點(diǎn)預(yù)測模型的分類器設(shè)計(jì)
        3.2.4 關(guān)鍵點(diǎn)預(yù)測模型的損失函數(shù)設(shè)計(jì)
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 實(shí)驗(yàn)環(huán)境與數(shù)據(jù)處理
        3.3.2 不同dropout層數(shù)對關(guān)鍵點(diǎn)預(yù)測的影響
        3.3.3 不同損失函數(shù)對關(guān)鍵點(diǎn)預(yù)測的影響
        3.3.4 不同keep_pro值對關(guān)鍵點(diǎn)預(yù)測的影響
        3.3.5 不同坐標(biāo)值對關(guān)鍵點(diǎn)預(yù)測的影響
        3.3.6 關(guān)鍵點(diǎn)預(yù)測效果分析
        3.3.7 飛行器目標(biāo)在任意角度下的關(guān)鍵點(diǎn)預(yù)測分析
        3.3.8 飛行器目標(biāo)在固定角度下的關(guān)鍵點(diǎn)預(yù)測分析
    3.4 本章總結(jié)
第四章 基于關(guān)鍵點(diǎn)特征融合的細(xì)粒度分類算法
    4.1 部位候選框選擇策略
    4.2 基于部位全連接層的特征融合方法
        4.2.1 基于部位全連接層網(wǎng)絡(luò)的基本結(jié)構(gòu)
        4.2.2 語義化的ROI Pooling層
        4.2.3 基于部位的全連接層
        4.2.4 聯(lián)合全連接層
    4.3 基于關(guān)鍵點(diǎn)特征融合的細(xì)粒度分類算法
    4.4 細(xì)粒度識別算法的性能研究
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 基于部位全連接層的識別算法與基本識別網(wǎng)絡(luò)的性能對比
        4.4.3 部位全連接層與特征簡單堆疊方法的對比
        4.4.4 不同PFC和CFC層數(shù)對識別的影響
        4.4.5 不同部位數(shù)量對識別的影響
        4.4.6 基于關(guān)鍵點(diǎn)特征融合的細(xì)粒度分類算法性能比較
        4.4.7 實(shí)驗(yàn)結(jié)果分析
    4.5 本章總結(jié)
第五章 總結(jié)與展望
    5.1 本文主要研究成果
    5.2 研究展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果
附錄A 飛行器數(shù)據(jù)集在各分類模型上的混淆分析
    A.1 VGG-19模型的混淆分析
        A.1.1 VGG-19模型的混淆矩陣
        A.1.2 VGG-19的Grad-CAM可視化分析
    A.2 Alexnet模型的混淆分析
        A.2.1 Alexnet模型的混淆矩陣
    A.3 Resnet-101模型的混淆分析
        A.3.1 Resnet-101模型的混淆矩陣



本文編號：3791558