基于深度学习的卫星图像目标检测与识别研究

发布时间：2020-03-29 01:15

【摘要】：遥感监测是目标识别的一个前沿和热点,被广泛应用于舰船监测、渔业管理、环境监控、敌方军事动态监控等民用和军用领域。不同遥感图像具有不同的特性,如SAR图像具有分辨率高、全天候工作但是会夹带着大量的相干斑噪声。传统遥感图像检测与识别算法具有依赖于人为设计的图像特征、需要人为挑选最优的特征子集并调节分类器参数的弊端。本文因此根据深度学习端到端学习的优点,结合不同的遥感图像特性,分别建立了端到端SAR图像目标识别模型和结合多尺度特征融合的小目标舰船检测模型。论文的主要工作及贡献如下:(1)提出了一种新的端到端SAR图像目标识别模型,即可变深度可分离密集卷积神经网络(FDSDenseNet),通过引入参数化激活函数和密集卷积神经网络,提高分类模型识别精度;引入深度可分离卷积以控制模型复杂度;设计1X1卷积核与分类层组合的可变分类模块以实现可变的参数调整;(2)基于不同特征通道维度信息流的不同表达,采用稀疏连接和群压缩激励进一步减少参数数量,提出了一种新颖的CNN网络结构,称为稀疏群压缩激励卷积神经网络(GSESCNN),将所提出的群压缩激励模块(GSE)与稀疏连接卷积神经网络(SCNN)进行组合。SCNN利用独特的稀疏路径连接策略,在实现特征流动的基础上减少了冗余参数,GSE模块通过添加额外分支来自适应地学习不同特征通道维度的信息,提高了模型的表征能力;(3)基于对现有结合深度学习进行卫星图像目标检测的研究工作的分析,提出了一种新的神经网络结构,称为压缩激励路径跳跃连接网络(SESPNets)。基于两阶段检测的框架,提出了一种路径跳跃连接结构,以增强网络在目标区域提取阶段表征多尺度特征的能力。同时,压缩激励模块被结合到网络中以增强对不同特征通道信息的学习。同时采用ROI align操作和Soft-NMS后处理进一步提高了检测精度。
【图文】：

经网络和多层感知机，ＣＮＮ对每一层感受野中元素采用固定的卷积操作模式，逡逑从而实现局部连接以及不同卷积核间的权值共享，具有平移不变性。经典的ＣＮＮ逡逑结构，是依次由输入层、卷积层、池化层、全连接层与输出层组成，如图２．１所逡逑示［２９］。针对不同的任务，可以通过改变ＣＮＮ结构分别实现图像分类、目标检测逡逑以及图像检索。逡逑＜＾Ｉ，邋ｍａｐｓ邋１６＾邋１０ｘ１０逡逑Ｊ邋Ｇａｕｓ＾ａｎ邋ｃｏｎｎｅｃｉｉｏｎｓ逡逑ＧｏｎｖｏＭｉａｉｓ逦Ｓｏ＆ｓａａ＾Ｊｎｇ邋ＣｏｎｎｏＳｕＢｏｎｓ邋Ｓｕｂｓａ？＾＞ｌｉｒ＾＞邋ＲｊＳ邋ｏｏｒａｉｅｃｔｏｎ逡逑图２－２ＬｅＮｅｔ－５结构图逡逑（１）邋卷积层逡逑卷积神经网络中涉及的卷积运算，实际上是分析数学中的离散卷积。假设卷逡逑积层／的输入张量为，则卷积核为。第一次卷积操作逡逑会从图像（0，0，0）处开始，将对应位置图像像素点的值分别与卷积核中参数逐位逡逑相乘后累加得到卷积操作结果。完成一次卷积操作后，，卷积核按照指定步长在输逡逑入图像上滑动依次进行同样的卷积操作。依次将卷积操作结果按照位置组成二维逡逑输出，若类似卷积有Ｎ个，则得到输出张量为，ｉｅ纪＂逡逑１２逡逑

逦（２．１５）逡逑由此可知，网络实际上是在学习上式右端的残差项，因此被称为深度残差网逡逑络。具体的残差单元模块结构如图２－２所示。逡逑■逡逑ｗｅｉｇｈｔ邋ｌａｙｅｒ邋＼逡逑７（ｘ）逦ｊｒｅｌｕ邋｜邋ｘ逡逑—，丨ｙｙｅｒ邋１邋Ｊ邋ｉｄｅｎｔｉｔｙ逡逑图２－３残差单元模块结构图逡逑残差单元模块有两条路径，一条是左侧通过卷积层、池化层和激活函数用于逡逑计算残差网络，一条是右侧的恒等映射。两条路径的结果，在模块最后通过对应逡逑元素相加的方式进行整合，再通过Ｒｅｌｕ激活函数，从而得到最终的输出结果。残逡逑差网络通过恒等映射完成跳跃连接，在输入输出维度一致的情况下，不需要额外逡逑的参数，同时，恒等映射也可以使梯度信息可以在多个网络层间传播，解决了梯逡逑度弥散或爆炸的问题，因此即便在网络特别深的情况下，也可以完成反向传播训逡逑练。逡逑（２）逦密集连接网络（ＤｅｎｓｅＮｅｔ）逡逑ＤｅｎｓｅＮｅｔ在ＲｅｓＮｅｔ的基础上进一步增加了特征重用
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP183

【相似文献】

相关期刊论文 前10条

1 ;图像目标检测技术及应用[J];大数据;2016年05期

2 李晓冰;;具有先验信息的经纬仪测量图像目标检测技术[J];光电技术应用;2008年01期

3 贺霖;潘泉;邸椺;李远清;;高光谱图像目标检测研究进展[J];电子学报;2009年09期

4 张裕;杨海涛;刘翔宇;;基于多尺度特征稠密连接的遥感图像目标检测方法[J];中国电子科学研究院学报;2019年05期

5 范金华;陈锻生;;高光谱图像目标检测研究进展[J];微型机与应用;2015年16期

6 王艳,鲍建跃,林晓春,过润秋;基于FPGA的红外图像目标检测[J];西安电子科技大学学报;2005年03期

7 强赞霞,彭嘉雄;基于融合及数学形态学的遥感图像目标检测[J];计算机工程;2005年10期

8 聂永刚;但志平;;足球赛场运动视频图像目标检测仿真[J];计算机仿真;2017年07期

9 张铁栋;万磊;秦再白;马悦;;基于离散分数布朗随机场的水下图像目标检测[J];光电工程;2008年08期

10 石志广;周剑雄;张焱;;图像目标检测前跟踪的广义多伯努利滤波算法[J];红外与毫米波学报;2018年03期

相关会议论文 前7条

1 李国强;艾淑芳;;一种天空背景红外图像目标检测方法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

2 黄家闽;杨珑颀;;基于随机共振和支持向量机的声纳图像目标检测[A];信号处理在生仪2014学术年会论文集[C];2014年

3 刘东华;王元钦;李秋娜;;小波分析理论在图像目标检测中的应用[A];第二届全国信息获取与处理学术会议论文集[C];2004年

4 高飞;刘爱冬;;基于深度卷积神经网络的SAR图像目标检测[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年

5 刘代志;何元磊;黄世奇;;基于地物波谱特性的高光谱图像目标检测与识别[A];国家安全地球物理丛书（七）——地球物理与核探测[C];2011年

6 潘雄;郎量;苗灿;赵盈盈;杜雨馨;朱杏子;;基于深度学习的被动毫米波图像目标检测方法研究[A];2019年全国微波毫米波会议论文集（上册）[C];2019年

7 刘向君;杨泽刚;刘强;;基于多波段SAR图像目标检测决策级融合和图像分类的目标状态标注[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

相关博士学位论文 前10条

1 王兆成;复杂场景下SAR图像目标检测及鉴别方法研究[D];西安电子科技大学;2018年

2 王振华;基于深度学习的野外巡线系统图像目标检测研究[D];中国地质大学(北京);2018年

3 黄勇;基于语义信息的高分辨SAR图像目标检测[D];西安电子科技大学;2018年

4 张国敏;复杂场景遥感图像目标检测方法研究[D];国防科学技术大学;2010年

5 刘说;低检测率SAR图像目标检测与识别理论研究[D];电子科技大学;2017年

6 李轩;基于局部特征的遥感图像目标检测方法研究[D];长春理工大学;2016年

7 李晓慧;高光谱图像目标检测及压缩方法研究[D];哈尔滨工程大学;2014年

8 郭鹏宇;光测图像目标检测跟踪与判读方法研究[D];国防科学技术大学;2015年

9 郭军;引入上下文信息的可见光遥感图像目标检测与识别方法研究[D];国防科学技术大学;2014年

10 傅志中;红外扫描成像动目标检测跟踪技术与DSP实时实现[D];电子科技大学;2002年

相关硕士学位论文 前10条

1 黄国权;基于深度学习的卫星图像目标检测与识别研究[D];浙江大学;2019年

2 周明非;基于深度神经网络的遥感图像目标检测研究[D];陕西师范大学;2018年

3 徐晖;基于哈希学习的遥感图像目标检测及应用[D];南京理工大学;2018年

4 白猛猛;深度位敏信息网络的图像目标检测研究[D];西安工业大学;2018年

5 黎敏讷;分布式数据分层抽样技术及其在目标检测领域的应用研究[D];国防科学技术大学;2017年

6 侯瑶淇;基于多尺度深度网络和视觉注意机制的高分辨SAR图像目标检测与分类[D];西安电子科技大学;2018年

7 邓洋洋;高分辨率SAR图像目标检测与特征提取[D];成都信息工程大学;2018年

8 孙大鹏;空间约束联合表示高光谱图像目标检测[D];中国科学院大学(中国科学院上海技术物理研究所);2018年

9 刘培;基于深度学习的图像目标检测与分割算法的研究与应用[D];燕山大学;2018年

10 吕建君;基于深度学习的空域图像目标检测研究与实现[D];北京邮电大学;2018年

本文编号：2605204