基于深度神经网络的遥感图像多目标检测方法设计
发布时间：2021-04-30 01:53
随着科技的进步,卫星以及无人航拍机技术的成熟,大量航拍遥感图像得以生成,促进了遥感图像的研究与应用。其中遥感图像的多目标检测有着重大的研究意义和应用前景,它可以应用于智慧城市的建设,城市道路的监控,以及国家安防事业的部署。经过近几年深度学习技术的爆发式发展,深度神经网络在普通场景的应用中已经达到了较高的准确率。然而,现有的目标检测网络都无法对小目标做到快速而又精准的检测,尤其是在高分辨率的遥感图像中,几乎每一个目标物体都是小目标。且在具有实时性要求的遥感图像多目标检测任务中,不仅需要网络能够针对遥感图像中的小目标具有较精准的检测能力,同时需要网络能有较快的检测速度,以保证监控画面的实时性和流畅性。为了解决遥感图像中目标物体过小,不易检测的难点,同时为了保证目标检测的速度,本文在SSD算法的基础上进行研究。本文首先阐述了遥感图像目标检测的研究现状以及说明了遥感图像区别于普通图像的特殊性和检测难点,同时介绍了目标检测常用的基础理论,然后阐述了几种经典目标检测网络,并将其应用于遥感图像上进行多目标检测,得到基线mAP,并可视化卷积层特征图分析SSD网络结构在遥感图像多目标检测中的不足。在此基...
【文章来源】：杭州电子科技大学浙江省
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 基于模板匹配的方法
1.2.2 基于图像分析的方法
1.2.3 基于机器学习的方法
1.2.4 基于深度学习的方法
1.3 论文研究内容及创新
1.4 论文的组织结构
第2章 目标检测基础理论
2.1 引言
2.2 图像归一化
2.3 预选框获取
2.4 HOG特征表达
2.5 判别模型
2.6 非极大值抑制
2.6.1 非极大值抑制算法原理
2.6.2 非极大值抑制在目标检测中的应用原理
2.7 卷积神经网络
2.7.1 卷积
2.7.2 空洞卷积
2.7.3 深度可分离卷积
2.7.4 激活函数
2.7.5 池化
2.8 本章小结
第3章 基于经典深度神经网络的遥感图像多目标检测
3.1 引言
3.2 遥感图像数据集
3.2.1 NWPU
3.2.2 RSOD
3.2.3 DOTA
3.3 经典目标检测网络
3.3.1 Faster-RCNN系列
3.3.2 YOLO系列
3.3.3 SSD系列
3.4 实验设计与分析
3.4.1 基于Pascal VOC数据集的对比分析
3.4.2 基于DOTA遥感数据集的对比分析
3.4.3 卷积层特征图可视化分析
3.5 本章小结
第4章 基于FD-SSD的遥感图像多目标检测
4.1 引言
4.2 二次切割
4.3 FD-SSD网络结构
4.4 FD-SSD默认框设计
4.5 二次非极大值抑制优化检测结果
4.6 实验设计与分析
4.6.1 mAP结果对比
4.6.2 其他遥感数据集对比实验
4.6.3 速度测试
4.7 本章小结
第5章 基于跟踪算法的目标检测网络应用加速
5.1 引言
5.2 网络模型加速
5.2.1 替换前置基础网络
5.2.2 网络压缩
5.2.2.1 网络层级裁剪
5.2.2.2 去黑图
5.2.2.3 模型剪枝
5.2.2.4 深度压缩
5.3 跟踪算法
5.3.1 MOSSE
5.3.2 CSK
5.3.3 KCF
5.4 平滑跳帧检测
5.5 实验设计与分析
5.6 本章小结
第6章 基于FD-SSD的无人机航拍车辆实时监控方案设计
6.1 引言
6.2 方案设计
6.3 车辆目标检测数据集制作
6.4 实验设计与分析
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
附录
本文编号：3168607
【文章来源】：杭州电子科技大学浙江省
【文章页数】：82 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第1章 绪论
1.1 研究背景和意义
1.2 国内外研究现状
1.2.1 基于模板匹配的方法
1.2.2 基于图像分析的方法
1.2.3 基于机器学习的方法
1.2.4 基于深度学习的方法
1.3 论文研究内容及创新
1.4 论文的组织结构
第2章 目标检测基础理论
2.1 引言
2.2 图像归一化
2.3 预选框获取
2.4 HOG特征表达
2.5 判别模型
2.6 非极大值抑制
2.6.1 非极大值抑制算法原理
2.6.2 非极大值抑制在目标检测中的应用原理
2.7 卷积神经网络
2.7.1 卷积
2.7.2 空洞卷积
2.7.3 深度可分离卷积
2.7.4 激活函数
2.7.5 池化
2.8 本章小结
第3章 基于经典深度神经网络的遥感图像多目标检测
3.1 引言
3.2 遥感图像数据集
3.2.1 NWPU
3.2.2 RSOD
3.2.3 DOTA
3.3 经典目标检测网络
3.3.1 Faster-RCNN系列
3.3.2 YOLO系列
3.3.3 SSD系列
3.4 实验设计与分析
3.4.1 基于Pascal VOC数据集的对比分析
3.4.2 基于DOTA遥感数据集的对比分析
3.4.3 卷积层特征图可视化分析
3.5 本章小结
第4章 基于FD-SSD的遥感图像多目标检测
4.1 引言
4.2 二次切割
4.3 FD-SSD网络结构
4.4 FD-SSD默认框设计
4.5 二次非极大值抑制优化检测结果
4.6 实验设计与分析
4.6.1 mAP结果对比
4.6.2 其他遥感数据集对比实验
4.6.3 速度测试
4.7 本章小结
第5章 基于跟踪算法的目标检测网络应用加速
5.1 引言
5.2 网络模型加速
5.2.1 替换前置基础网络
5.2.2 网络压缩
5.2.2.1 网络层级裁剪
5.2.2.2 去黑图
5.2.2.3 模型剪枝
5.2.2.4 深度压缩
5.3 跟踪算法
5.3.1 MOSSE
5.3.2 CSK
5.3.3 KCF
5.4 平滑跳帧检测
5.5 实验设计与分析
5.6 本章小结
第6章 基于FD-SSD的无人机航拍车辆实时监控方案设计
6.1 引言
6.2 方案设计
6.3 车辆目标检测数据集制作
6.4 实验设计与分析
6.5 本章小结
第7章 总结与展望
7.1 总结
7.2 展望
致谢
参考文献
附录
本文编号：3168607
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3168607.html
