基于深度学习的遥感图像目标检测算法的研究与实现

发布时间：2020-07-01 10:59

【摘要】：近年来,遥感图像目标检测已经逐渐成为航空和卫星图像分析领域中一个基础但是具有挑战性的研究课题。深度学习算法作为一种可以从大规模数据中学习到高层次判别性特征的数据分析方法,已经成为计算机视觉领域中的热点,并逐渐被引入到遥感图像识别领域中。本论文以遥感图像多目标检测为目的,提出了一种高效的目标检测方法。与普通的自然图像有所不同,遥感图像中的场景更复杂,图像成像质量差且存在大量尺度很小的目标如车辆,船只等。为了保证多种尺度目标的检测准确率,本论文在以卷积神经网络(Convolutional Neural Network,CNN)为核心的Faster R-CNN(Region with CNN)检测框架的基础上,针对多种尺度目标检测的问题,设计了一种新的检测方法——尺度自适应卷积神经网络(Scale Adaptive CNN,SA-CNN)。首先运用双路选框产生网络利用多层特征层来产生多尺度的区域选框,低层卷积层特征分辨率较高,感受野小,便于产生小目标的选框,而高层特征分辨率较小,语义性强,感受野大更适合于大目标选框的产生。接着将低层特征与高层特征采用相加的方式进行融合,在保证参数量的基础上提升特征的丰富性,更利于检测网络的最终预测。通过遥感图像数据集NWPU VHR-10的训练和测试表明,SA-CNN在保证了大目标物体检测准确率的同时,提高了小目标的检测准确率,所有类别的平均准确率均值提升到了89.2%,该方法在NVIDIA GTX1080Ti GPU平台中单张遥感图片的检测时间为0.336s,进一步验证了SA-CNN的有效性和稳定性。
【学位授予单位】：上海交通大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP18
【图文】：

遥感图像,启门

上海交通大学硕士学位论文络实现了一个飞机检测框架，该方法可以检测不同旋转，尺度的飞机。除了这些特定的物体检测外，Gong Cheng[33,34]提出了一种多目标检测框架——旋转不变性卷积神经网络(Rotation-InvariantConvolutionNeuralNetwork,RICNN)，可以有效地检测遥感图像中多种目标，是一种稳定的、高性能的检测框架。但是 RICNN 这种方法所有物体的平均准确率均值只有 72.6%，不同类别物体的检测准确率差异交大。在遥感图像中存在大量小尺寸目标，非常难以识别，是遥感图像目标检测任务中极具挑战性的部分。

神经元结构

深度学习的发展起源于早期人工神经网络的研究，生物学中神经元结构的解为人工神经网络奠定了基础，感知机算法，反向传播算法的提出与完善提供一套完善的神经网络体系。随着硬件计算能力的提高以及图像识别需求的增长卷积神经网络逐渐成为深度学习解决图像问题的“钥匙”，一些层数更深，结构复杂的模型逐渐被提出，大大提高了图像识别的准确率，同时基于卷积神经网的目标检测方法也逐渐被提出。2.1 人工神经网络生物学上关于人脑神经元的研究由来已久，90 年代初，神经元的组成结构人类所破解，如图 2-1 所示，一个神经元中基本构造由树突，轴突和细胞核组成一个神经元通常具有多个树突，主要用来接受传入信息，而轴突只有一条，轴末梢与其他神经元相连接，从而传递信号。

【相似文献】