基于深度学习的高分辨率遥感影像复合目标及机场核心要素检测
发布时间：2021-03-19 15:55
随着卫星技术的快速发展,遥感影像日益增多,因此亟待实现遥感影像的自动解译,而目标检测一直是遥感影像自动解译的一个重要的研究内容。本文基于卷积神经网络,着重研究了结合人工设计特征与深度学习特征,完成机场、港口及机场内部核心要素的目标检测,并将所提出的各种目标检测方法集成到“译陆”遥感影像目标检测平台中,本文主要工作与创新如下:（1）针对机场目标检测,根据机场作为复合目标,其主体结构跑道存在明显的长平行线特征,提出了结合几何与视觉显著图及残差网络的机场检测方法。将几何显著图与改进的局部熵显著图相结合在影像中确定可能存在机场的候选区域。最后使用残差网络ResNet（residual network）判别候选区域类别,得到检测结果。实验表明本文提出的方法相比于传统机场检测的方法,查全率提升了5.55%,查准率提升了22.15%。相比于端到端的深度学习检测方法SSD（single shot multiBox detector）,查全率提升了1.85%,查准率提升了13.91%。（2）针对港口目标检测,根据港口必定出现在海陆交界处且港口作为复合目标,其组成结构码头之间没有明显主次关系的特点,提出了...
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
LeNet5第一层卷积层特征图，输入手写数字分别为0、1、2、4Fig.2-4ThefirstconvolutionlayerfeaturemapofLeNet5,theinputhandwrittennumberis0,1,2,4
上海交通大学硕士学位论文高度精确的分类精度（99%以上）也证明了 LeNet5 确实提取到了正确的特征，只是人类现在还不能理解这些特征的具体含义，而正是这些高层特征，使得物体识别的精度得到了大幅提高。正确解读这些高层特征可能需要神经科学对人类的物体识别过程进行进一步研究才能有所突破。图 2-4 LeNet5 第一层卷积层特征图，输入手写数字分别为 0、1、2、4Fig. 2-4 The first convolution layer feature map of LeNet5, the input handwritten number is0,1,2,4
图 3-2 机场检测流程图Fig. 3-2 Airport detection framework在对 ResNet 进行训练时，采用了 3.1.3 节中的微调方法，初始化的权值在 ImageNet 训练好的网络参数。分类过程中对所有 ROI 首先在 4 种不同进行扩展(上、下、左、右)，这样可以得到适当的环境信息，称为上下文作[23]。ResNet 需要输入一个固定大小的 224×224 像素的图像，因此将扩 ROI 调整大小到 224×224 像素，使用训练完成的 ResNet 对变换后的 ROI 类，得到机场检测结果。.2 机场几何显著图机场最重要的特征就是平行线特征，针对这个特点，本节提出了基于直权的几何显著图。.2.1 直线连接LSD 可以在遥感影像中快速检测线段，但是由于遥感影像质量参差不齐会导致一条线段被分为断裂的几段。为了得到准确的线段，需要将这些断
【参考文献】：
期刊论文
[1]基于多结构卷积神经网络的高分遥感影像飞机目标检测[J]. 姚相坤,万里红,霍宏,方涛. 计算机工程. 2017(01)
[2]海岸线提取技术研究进展[J]. 于彩霞,王家耀,许军,彭认灿,成毅,王沫. 测绘科学技术学报. 2014(03)
[3]SAR图像机场区域的掩体目标检测方法[J]. 徐万朋,陈向宁,徐春宇,郗丽娜. 测绘科学技术学报. 2013(05)
[4]基于局部和整体特征的飞机识别方法[J]. 李渝,吴增印. 现代电子技术. 2013(14)
[5]国内机场目标识别研究现状与展望[J]. 陈仁,赵广州. 微型机与应用. 2013(11)
[6]基于直线特征的航拍图像机场跑道自动识别算法[J]. 董银文,苑秉成,石钊铭,王航宇. 系统工程与电子技术. 2013(04)
[7]Budget感知机研究综述[J]. 王惊晓. 电脑知识与技术. 2012(14)
[8]遥感图像中机场目标的识别方法[J]. 陈旭光,林卉. 计算机工程与应用. 2012(25)
[9]采用独立分量分析Zernike矩的遥感图像飞机目标识别[J]. 刘富,于鹏,刘坤. 智能系统学报. 2011(01)
[10]基于特征谱的高分辨率遥感图像港口识别方法[J]. 张志龙,张焱,沈振康. 电子学报. 2010(09)
博士论文
[1]大幅面可见光遥感图像典型目标识别关键技术研究[D]. 韩现伟.哈尔滨工业大学 2013
[2]基于遥感图像的重要目标特征提取与识别方法研究[D]. 张志龙.国防科学技术大学 2005
硕士论文
[1]自底向上的视觉显著区域自动提取技术研究[D]. 张杰.山东大学 2012
[2]高分辨率可见光遥感图像港口及港内目标识别方法研究[D]. 张振.中国科学技术大学 2009
[3]基于多特征的光学遥感图像机场掩体目标检测方法研究[D]. 孙军领.国防科学技术大学 2009
本文编号：3089828
【文章来源】：上海交通大学上海市 211工程院校 985工程院校 教育部直属院校
【文章页数】：81 页
【学位级别】：硕士
【部分图文】：
LeNet5第一层卷积层特征图，输入手写数字分别为0、1、2、4Fig.2-4ThefirstconvolutionlayerfeaturemapofLeNet5,theinputhandwrittennumberis0,1,2,4
上海交通大学硕士学位论文高度精确的分类精度（99%以上）也证明了 LeNet5 确实提取到了正确的特征，只是人类现在还不能理解这些特征的具体含义，而正是这些高层特征，使得物体识别的精度得到了大幅提高。正确解读这些高层特征可能需要神经科学对人类的物体识别过程进行进一步研究才能有所突破。图 2-4 LeNet5 第一层卷积层特征图，输入手写数字分别为 0、1、2、4Fig. 2-4 The first convolution layer feature map of LeNet5, the input handwritten number is0,1,2,4
图 3-2 机场检测流程图Fig. 3-2 Airport detection framework在对 ResNet 进行训练时，采用了 3.1.3 节中的微调方法，初始化的权值在 ImageNet 训练好的网络参数。分类过程中对所有 ROI 首先在 4 种不同进行扩展(上、下、左、右)，这样可以得到适当的环境信息，称为上下文作[23]。ResNet 需要输入一个固定大小的 224×224 像素的图像，因此将扩 ROI 调整大小到 224×224 像素，使用训练完成的 ResNet 对变换后的 ROI 类，得到机场检测结果。.2 机场几何显著图机场最重要的特征就是平行线特征，针对这个特点，本节提出了基于直权的几何显著图。.2.1 直线连接LSD 可以在遥感影像中快速检测线段，但是由于遥感影像质量参差不齐会导致一条线段被分为断裂的几段。为了得到准确的线段，需要将这些断
【参考文献】：
期刊论文
[1]基于多结构卷积神经网络的高分遥感影像飞机目标检测[J]. 姚相坤,万里红,霍宏,方涛. 计算机工程. 2017(01)
[2]海岸线提取技术研究进展[J]. 于彩霞,王家耀,许军,彭认灿,成毅,王沫. 测绘科学技术学报. 2014(03)
[3]SAR图像机场区域的掩体目标检测方法[J]. 徐万朋,陈向宁,徐春宇,郗丽娜. 测绘科学技术学报. 2013(05)
[4]基于局部和整体特征的飞机识别方法[J]. 李渝,吴增印. 现代电子技术. 2013(14)
[5]国内机场目标识别研究现状与展望[J]. 陈仁,赵广州. 微型机与应用. 2013(11)
[6]基于直线特征的航拍图像机场跑道自动识别算法[J]. 董银文,苑秉成,石钊铭,王航宇. 系统工程与电子技术. 2013(04)
[7]Budget感知机研究综述[J]. 王惊晓. 电脑知识与技术. 2012(14)
[8]遥感图像中机场目标的识别方法[J]. 陈旭光,林卉. 计算机工程与应用. 2012(25)
[9]采用独立分量分析Zernike矩的遥感图像飞机目标识别[J]. 刘富,于鹏,刘坤. 智能系统学报. 2011(01)
[10]基于特征谱的高分辨率遥感图像港口识别方法[J]. 张志龙,张焱,沈振康. 电子学报. 2010(09)
博士论文
[1]大幅面可见光遥感图像典型目标识别关键技术研究[D]. 韩现伟.哈尔滨工业大学 2013
[2]基于遥感图像的重要目标特征提取与识别方法研究[D]. 张志龙.国防科学技术大学 2005
硕士论文
[1]自底向上的视觉显著区域自动提取技术研究[D]. 张杰.山东大学 2012
[2]高分辨率可见光遥感图像港口及港内目标识别方法研究[D]. 张振.中国科学技术大学 2009
[3]基于多特征的光学遥感图像机场掩体目标检测方法研究[D]. 孙军领.国防科学技术大学 2009
本文编号：3089828
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3089828.html
