基于特征融合深度卷积网络的遥感图像目标检测与地物分类

发布时间：2020-11-08 13:41

　　 随着遥感技术的发展,遥感图像的获取越来越方便,遥感图像的目标检测与地物分类也越来越受到人们的重视。近年来,在深度学习的背景下,遥感图像的处理与解译得到进一步的发展。提高遥感图像目标检测和地物分类的性能是一个非常有意义的研究课题。针对现有遥感图像目标检测与地物分类算法中存在的问题,基于深度卷积网络特征融合,本文提出了两种新的遥感图像目标检测方法与一种新的遥感图像地物分类方法,主要工作如下:1.针对卷积网络中随深度层次不同存在尺寸大小不同的特征图,提出一种基于插值特征融合卷积神经网络的遥感图像目标检测方法(F-SSRD),该方法主要针对常用的检测算法如Faster R-CNN、SSD等对小目标检测效果较差的缺陷。F-SSRD算法构建了一个插值特征学习与融合网络,网络分为插值特征融合模块和检测模块。与传统目标检测方法相比,该方法的关键在于利用双线性插值法对深层尺寸小的特征图的分辨率进行提高,并将其与浅层尺寸大的特征图进行融合,提高了浅层特征的语义信息,使得F-SSRD方法提高了对小目标的检测精度。在NWPU VHR-10数据集上F-SSRD算法取得了比当前检测算法更为优越的效果。2.提出一种基于两步级联特征融合卷积神经网络的遥感图像目标检测方法(F-SSRDv2)。该方法主要针对F-SSRD算法的检测精度来进行的,希望相比于F-SSRD,F-SSRDv2能够对不同大小目标的检测精度进行进一步的提高。F-SSRDv2是在F-SSRD的基础上做的改进,继承了F-SSRD的检测模块,并对特征融合模块进行改进,使用了一种两步级联的特征融合策略将深层特征与浅层特征融合,使得不同层级特征之间能够更好地进行信息结合。在网络的训练中,引入了Focal Loss损失函数,并以Focal Loss函数为基础设计多任务损失函数。该方法的关键在于,使用两部级联的特征融合策略增强不同层级特征之间的信息结合能力,使用Focal Loss损失函数避免训练中出现的正负样本分布不均的现象,从而提高网络对于不同大小目标的检测精度。在NWPU VHR-10数据集上,F-SSRDv2算法取得了优于F-SSRD的效果。3.提出一种基于特征融合与随机森林的遥感图像地物分类方法(DL_RF)。该方法针对遥感图像地物分类中存在的物体类别稀疏程度不同以及图像信息较为复杂的问题。使用卷积神经网络提取尺寸大小不同的特征,并将这些特征进行融合,使用随机森林的方法对获得的融合特征进行分类。在高光谱数据以及LIDAR数据上的实验结果表明,DL-RF算法取得了比传统算法更为优越的效果。
【学位单位】：西安电子科技大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751;TP183
【部分图文】：

元是一个以训练样本1 2 3x , x ,x 和偏置(bias) +1 为输入的运输出为3,1( ) ( ) ( )TW b i iih x f W x f W x +b。在这里面， f (是 sigmoid函数，也可以是双曲正切（tanh）函数，或者ified Linear Units，ReLU）[46]。它们的公式分别为：1( )1 exp( )f z+ z( ) tanh( )z zz ze ef z ze e +0, 0( ), 0zf zz z 线图分别如图 1.2 所示。目前 ReLU 激活函数有着较为广

Conv6_2 2.3 F-SSRD 网络检测网络中提取的特征、Fc7 以及 Conv6_3 中的特征层进行融更好的效果。图 2.4 表示的是将 Con的特征图 Fea_Fusion。可以看出融合后层特征中的语义信息。

堤卣魅诤暇砘?窬??绲囊８型枷衲勘昙觳夥椒?3图 2.2 F-SSRD 网络结构图2.4.2 特征融合模块在 SSD 网络中，通过不同尺度特征图上的不同检测分支，检测不同尺度的目标。在以 VGG-16 为基础网络的 SSD 中，Conv4_3 上的 stride 为 8，用于检测小目标，原始图像Conv4_3Conv5_3Fc7Conv6_2
【相似文献】

相关期刊论文 前10条

1 柳欣;耿佳佳;钟必能;杜吉祥;;多生物特征融合发展现状及其展望[J];小型微型计算机系统;2017年08期

2 孙兴华,郭丽,王正群,杨静宇;商标图像检索中子图像特征融合准则研究[J];南京理工大学学报(自然科学版);2002年05期

3 宋卫华;;基于多级别特征融合的医学图像检索技术[J];南华大学学报(自然科学版);2014年02期

4 武冰;周石琳;林勇强;商亚新;;特征融合的多时相遥感图像道路提取方法[J];微计算机信息;2007年36期

5 连西静;崔升;;基于特征融合的人体运动识别[J];医用生物力学;2019年06期

6 吕洁;李洪奇;赵艳红;Sikandar Ali;刘艳芳;;基于关节空时特征融合的人体行为识别[J];计算机工程与设计;2020年01期

7 黄双萍;俞龙;卫晓欣;;一种异质特征融合分类算法[J];电子技术与软件工程;2013年02期

8 刘东杰;赵津;席阿行;;基于时空特征融合的端到端无人车控制[J];科学技术与工程;2019年30期

9 种衍杰;方琰;沙涛;;基于特征融合网络的行人重识别[J];计算机系统应用;2019年01期

10 梅文欣;林志贤;郭太良;;强化深度特征融合的行人搜索系统[J];计算机与现代化;2019年08期

相关博士学位论文 前10条

1 王海雷;面向高维数据的特征学习算法研究[D];中国科学技术大学;2019年

2 刘战东;基于深度学习的场景文字检测[D];中国科学技术大学;2019年

3 齐元凯;基于特征学习和特征融合的目标跟踪方法研究[D];哈尔滨工业大学;2018年

4 王泽宇;面向场景解析的深度学习网络研究[D];哈尔滨工程大学;2018年

5 孔冬冬;基于特征融合的刀具磨损监测技术研究[D];华中科技大学;2018年

6 杨诗宇;面向智能交通的目标检测与跟踪[D];东华大学;2018年

7 翟耀;基于特征融合的目标检测与重识别[D];中国科学技术大学;2019年

8 吕金娜;视频人物社交关系抽取的关键技术研究[D];北京邮电大学;2019年

9 陈倩;多生物特征融合身份识别研究[D];浙江大学;2007年

10 周斌;多生物特征融合理论的研究与实验[D];清华大学;2007年

相关硕士学位论文 前10条

1 王旭华;基于视频的高速公路护栏检测方法研究[D];重庆邮电大学;2019年

2 陈毅;深度学习在简历解析中的应用研究[D];重庆邮电大学;2019年

3 陈雪峰;行为特征融合的视觉注意力检测技术研究[D];重庆邮电大学;2019年

4 杨军;基于多模态特征融合的人体行为识别[D];湘潭大学;2019年

5 周野;基于深度学习的车型精细识别[D];南京航空航天大学;2019年

6 朱小波;基于特征融合和度量学习的行人重识别算法研究[D];宁夏大学;2019年

7 邵晨智;基于音视频特征融合的暴力镜头识别方法研究[D];哈尔滨工业大学;2019年

8 付畅;基于自底向上和互关注的图像问答系统[D];哈尔滨工业大学;2019年

9 高蕾;基于特征融合深度卷积网络的遥感图像目标检测与地物分类[D];西安电子科技大学;2019年

10 岳欣;基于多层特征融合的视频目标检测[D];西安电子科技大学;2019年

本文编号：2874864