基于目标区域提议和深度网络的遥感影像目标检测与识别

发布时间：2020-04-17 12:34

【摘要】：遥感图像目标检测与识别是遥感解译技术中非常重要的分支,是在遥感图像中获得特定目标区域和类别的技术。目前已提出的针对遥感影像的目标检测与识别算法存在泛化性能不甚理想,算法效率与精度不高的问题,因此目前的遥感图像目标检测与识别算法还需要进一步的发展。目前,目标区域提议方法将注意力集中于图像中最显著和独特的位置,大大减少了对后续分类、检测等任务的计算量。同时,作为与人类学习系统的多层物理结构具有相似性的深度学习算法,在涉及大量数据如分类和推理等众多问题中都取得了最新的成果。本文的研究工作基于以上两点,将目标区域提议算法与深度网络结构引入遥感影像的目标检测与识别中。具体工作如下:1.提出一种基于可变形卷积神经网络的合成孔径雷达(SAR)图像目标识别算法,引入可变形卷积单元,可以有效地改变采样点的位置并学习采样点的偏置,用以增强网络模型变换的能力,另外网络使用全局均值池化层代替卷积神经网络(CNN)中的全卷积层,使得原本数量庞大的参数得以省略,可以大大减小网络规模,避免过拟合。此外,本章提出一种快速的基于峰值特征的检测算法,通过峰值特征提取模块与连通区域标记模块实现SAR目标检测。2.提出一种基于YOLO深度网络的遥感影像目标检测算法,将目标检测作为回归问题求解,训练和测试过程中采用全图信息进行预测,所学习到目标的概括表示信息,具有一定普适性,可以有效提高检测精度与召回率等指标。同时具有络预测流程简单,检测速度快的优点。此外,本章对于高分辨率遥感影像的运动目标检测,提出一种改进的帧间差分法,具有实现简单,设计复杂度低和稳定性较好的优势,在高分辨率遥感影像的运动目标检测中具有非常好的效果。3.提出一种遥感图像快速目标检测算法,基于结构化森林边缘检测与目标区域提议算法,通过图像本身来计算边缘集合,进而通过边缘集合相似度与候选框评分规则确定最终的目标检测结果。
【图文】：

步骤,图像,卷积,光学图像识别

(g) (h) (i)图3.1 SAR 图像峰值特征提取各步骤结果(a)原图(b)中值滤波(c)膨胀(d)腐蚀(e)阈值分割(f)计数滤波(g)膨胀(h)原图感兴趣区域(i)峰值特征点形卷积网络1 卷积神经网络学习与人类学习系统的多层物理结构相同，由于其学习分层特征的各个领域。在许多用于语音或光学图像识别的基准数据集中，，分层已表现出超越手工设计特征的卓越性能。目前，深度卷积神经网络别、手写体识别、人脸识别[78]等计算机视觉任务领域取得了优异神经网络作为一类前馈网络，它具有聚合各个局部提取的特征的功对相邻一定边界内的其他单元产生响应，通过层与层之间不断的特终将提取出高度抽象的特征进行权重赋值与组合，通过特征聚合的器后完成分类任务。CNN 一般由卷积层、非线性变换层、池化层

可变形结构,感受野,标准结构,两层结构

准卷积而言，可变形卷积的感受野可以随着图像内容的变化而变化。(a) (b)图3.4 两层结构感受野(a)标准结构(b)可变形结构可变形卷积网络于传统卷积网络而言是一次既简单明了又具有重大突破的技术更新，对理论基础和实际研究都是一次飞跃。对于目标含有某些几何形变的检测识别而言，其具有优良的适应性。同时，它可便捷地从现有结构扩展得到，不用从头开始进行预训练，加入的计算量与复杂度寥寥无几，就可以明显提高识别的准确率。3.4 基于峰值特征和可变形卷积网络的 SAR 图像目标检测与识别3.4.1 实验数据准备及预处理本章进行的实验研究，所采用的数据由 Sandia 国家实验室 SAR 传感器平台收集。该数据由美国国防部高级研究计划局（DARPA）和空军研究实验室联合资助，作为MSTAR 计划的一个分支[81]。使用高分辨聚束式 SAR 作为传感器来收集数据集中数据，其中雷达分辨率达到 0.3m，工作在 X 波段
【学位授予单位】：西安电子科技大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751

【参考文献】