基于深度学习的遥感图像目标检测研究

发布时间：2020-05-07 03:29

【摘要】：现代遥感技术的不断发展,涌现出大量空间分辨率更高、内容更加丰富的遥感图像,为遥感图像各领域的研究提供了重要的分析条件和资源。遥感图像目标检测作为遥感图像处理中的首要任务,在军事和民用领域有着重要的实际应用价值,受到了国内外学者的广泛关注和研究。近年来,深度学习模型尤其是深度卷积神经网络,因其具有良好的语义特征提取能力,在自然场景图像目标检测中得到了广泛而成功的应用。由于遥感图像与自然场景图像的成像方式不同,直接将这些深度学习方法运用到遥感图像领域,会存在小目标丢失严重、抗干扰性差、密集目标丢失误判等诸多问题,因此,本文围绕深度学习方法在卫星可见光遥感图像目标检测中的应用展开研究,主要的研究工作及成果概括如下:(1)针对目前的深度特征对遥感图像中小目标的特征响应较低、抗干扰能力差的问题,提出一种基于空洞卷积与上下文信息的深度特征提取方法,并嵌入到Faster R-CNN目标检测框架中。该方法通过有效提升特征图分辨率增强小目标响应,通过增加上下文信息辅助分类器判别。此外,由于公开的遥感图像目标检测数据集资源的匮乏,本文为大型地物目标和小型地物目标分别构建和标注了BODRS-2和TODRS-3数据集。实验结果表明,提出的方法能够有效降低遥感图像目标检测的漏警率和虚警率,且鲁棒性高,不论是在小数据量数据集还是大数据量数据集上都能够取得较好的检测效果。(2)针对目前大多数基于深度学习的目标检测算法采用的水平边界框目标定位方式,对遥感图像中密集分布、方向任意的目标定位不准确造成漏检的问题,提出一种基于任意角度边界框的目标定位方法,并嵌入到Faster R-CNN目标检测框架中。该方法引入任意角度边界框对目标进行“无冗余”定位,为了适应长宽比较大的舰船目标添加了相应的锚点比例设置,为了降低任意角度边界框对水平边界框预测的干扰,加大了水平边界框回归的权重。与经典目标检测算法的对比结果表明,所提方法能够有效地降低遥感图像目标检测的漏警率和虚警率。(3)为提高目标检测的效率,提出一种高分辨率卫星可见光遥感图像分级目标检测方法,先在降采样后的低分辨率图像上检测出大型地物目标,然后将检测出的目标范围映射回原始高分辨率图像,最后进行小型地物目标的检测。本文基于上述工作构建了一个遥感图像目标检测实验验证系统,并在已有卫星可见光遥感图像数据上对该分级目标检测方法的性能进行了测试与评估。
【学位授予单位】：中国科学技术大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP181

【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 李星悦;基于深度学习的遥感图像目标检测研究[D];中国科学技术大学;2019年

3 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

4 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

5 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

6 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

7 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

8 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

9 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

10 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

，

本文编号：2652361