遙感圖像目標(biāo)檢測(cè)是傳統(tǒng)目標(biāo)檢測(cè)問(wèn)題的一個(gè)分支,是遙感圖像處理的核心問(wèn)題之一,其作為遙感圖像分割、場(chǎng)景分類、遙感信息自動(dòng)化提取等任務(wù)的基礎(chǔ)在軍用、民用領(lǐng)域都有廣泛應(yīng)用。近年來(lái),隨著搭載平臺(tái)和傳感器技術(shù)的不斷發(fā)展,遙感圖像的空間分辨率不斷提高,與自然圖像的視覺(jué)差異不斷減小,越來(lái)越多的計(jì)算機(jī)視覺(jué)方法被應(yīng)用于遙感圖像目標(biāo)檢測(cè),但遙感圖像中的背景復(fù)雜度高、小目標(biāo)、目標(biāo)旋轉(zhuǎn)等問(wèn)題仍然是導(dǎo)致檢測(cè)精度較低的關(guān)鍵性問(wèn)題。為解決上述問(wèn)題,本文提出了一種融合注意力機(jī)制的改進(jìn)Faster R-CNN檢測(cè)模型,并通過(guò)實(shí)驗(yàn)驗(yàn)證了本文方法的有效性。本文具體工作如下:（1）對(duì)公開(kāi)的NWPU_VHR-10數(shù)據(jù)集進(jìn)行預(yù)處理:首先對(duì)數(shù)據(jù)進(jìn)行增廣,通過(guò)翻轉(zhuǎn)、平移、縮放變形等增加樣本數(shù)量;然后使用圖像增強(qiáng)手段,對(duì)數(shù)據(jù)集中的低質(zhì)量圖像用增強(qiáng)深度超分辨率（EDSR）網(wǎng)絡(luò)進(jìn)行超分辨率重構(gòu)。最終得到3000幅圖像的數(shù)據(jù)集,按3:1:1劃分成訓(xùn)練集、驗(yàn)證集、測(cè)試集。（2）構(gòu)建注意力機(jī)制特征提取網(wǎng)絡(luò):在選取的特征提取網(wǎng)絡(luò)ResNet-101中引入注意力機(jī)制模塊,意在圖像特征提取時(shí)得到更多的檢測(cè)目標(biāo)信息,抑制無(wú)用的背景信... 

【文章來(lái)源】：大連海事大學(xué)遼寧省 211工程院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．?１三幅遙感圖像??Ｆｉｇ．?１．１?Ｔｈｒｅｅ?ｉｍａｇｅｓ?ｏｆ?ｒｅｍｏｔｅ?ｓｅｎｓｉｎｇ??

信號(hào)分析中的互相關(guān)概念，利用檢測(cè)目??標(biāo)之間的相關(guān)性對(duì)誤檢框進(jìn)行篩眩分析非極大值抑制對(duì)旋轉(zhuǎn)目標(biāo)檢測(cè)結(jié)果的影響進(jìn)而??調(diào)整后處理策略。??（４）實(shí)驗(yàn)對(duì)比分析：對(duì)本文所提各模塊進(jìn)行消融實(shí)驗(yàn)，再與３種傳統(tǒng)方法ＢｏＷ模??型⑴］、基于費(fèi)希爾判別字典學(xué)習(xí)（ＦＤＤＬ）【２Ｑ］、局部融合檢測(cè)器（ＣＯＰＤ）?［ｎ］和２種深??度學(xué)習(xí)算法Ｔ－ＣＮＮ、ＲＩＣＮＮ以及原ＦａｓｔｅｒＲ－ＣＮＮ進(jìn)行對(duì)比分析。使用平均精度（ＡＰ）??和均值平均精度（ｍＡＰ）評(píng)估模型檢測(cè)性能。??本文重點(diǎn)研宂內(nèi)容以及研究思路如圖１．２所示：??開(kāi)ｔｅ?：??ｙｒ??重點(diǎn)屄究一?圖像預(yù)處理［?魏瑁廣．圖像超分辨率???＞?ｔ????數(shù)據(jù)售郜作?櫬簽羝作：數(shù)據(jù)劃分??重獅二１……Ｉ纖去網(wǎng)丨麵確……?????▼?????￣舌占；＾二￣￣１?［￣１．．?消融實(shí)獫，和其他算??重，，、仿九一?｜頭廠汁ｆｓ?｜法的七比實(shí)驗(yàn)??ｍｍ．??圖１．２論文研究思路??Ｆｉｇ．?１．２?Ｔｈｅｓｉｓ?ｒｅｓｅａｒｃｈ?ｉｄｅａｓ??－５?－??

?大連海事大學(xué)碩士學(xué)位論文???２遙感數(shù)據(jù)介紹及預(yù)處理??２．１遙感圖像的主要特性??遙感是指非接觸的，遠(yuǎn)距離的探測(cè)技術(shù)，遙感圖像是通過(guò)遙感技術(shù)獲得的圖像。由??于搭載平臺(tái)以及傳感器的不同形成了多種類型的遙感圖像，例如可見(jiàn)光遙感圖像、多光??譜遙感圖像、合成孔徑雷達(dá)遙感圖像等。本文是對(duì)可見(jiàn)光遙感圖像目標(biāo)檢測(cè)方法的研宄，??采用的實(shí)驗(yàn)數(shù)據(jù)是ＮＷＰＵ＿ＶＨＲ－１０數(shù)據(jù)集，其類別示例如圖２．１所示：??儲(chǔ)油罐Ｉ?＿?Ｖ１１１，??ｍｍｍｍ??－ｕｍｍｍｕｍ??—麵國(guó)■圓■■??圖２．１類別示例??Ｆｉｇ，?２．１?Ｅｘａｍｐｌｅｓ?ｏｆ?ｏｂｊｅｃｔ?ｃａｔｅｇｏｒｉｅｓ??－７?－??

【參考文獻(xiàn)】：
期刊論文
[1]基于特征融合SSD的遙感圖像艦船目標(biāo)檢測(cè)[J]. 馬健,史文旭,鮑勝利.  計(jì)算機(jī)應(yīng)用. 2019(S2)
[2]基于滑坡區(qū)域顏色特征模型的SVM遙感檢測(cè)[J]. 陳善靜,康青,沈志強(qiáng),周若沖.  航天返回與遙感. 2019(06)
[3]注意力機(jī)制改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)[J]. 李紅艷,李春庚,安居白,任俊麗.  中國(guó)圖象圖形學(xué)報(bào). 2019(08)
[4]基于先驗(yàn)?zāi)Ｐ蛢?yōu)化的無(wú)人機(jī)遙感圖像中幾何輪廓目標(biāo)檢測(cè)方法[J]. 蘭傳琳,方佩章,何楚.  電視技術(shù). 2019(01)
[5]一種高分辨率遙感圖像視感知目標(biāo)檢測(cè)算法[J]. 李策,張亞超,藍(lán)天,杜少毅.  西安交通大學(xué)學(xué)報(bào). 2018(06)
[6]基于全卷積網(wǎng)絡(luò)的高分辨遙感影像目標(biāo)檢測(cè)[J]. 徐逸之,姚曉婧,李祥,周楠,胡媛.  測(cè)繪通報(bào). 2018(01)
[7]基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測(cè)[J]. 高常鑫,桑農(nóng).  測(cè)繪通報(bào). 2014(S1)

碩士論文
[1]基于卷積網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測(cè)技術(shù)研究[D]. 劉然.哈爾濱工業(yè)大學(xué) 2019
[2]基于YOLO的遙感圖像目標(biāo)檢測(cè)算法研究[D]. 楊凡.成都理工大學(xué) 2019
[3]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(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院遙感與數(shù)字地球研究所) 2017



本文編號(hào)：3058692