基于深度学习的遥感影像去雾与舰船目标检测
发布时间：2021-10-12 08:25
可见光遥感在近年来快速发展,为人们在高空视角上提供了更丰富的细节信息。其中对于舰船目标的处理任务因为其独特的目标特性、广泛的应用背景,成为了目前研究的热点。本文从舰船检测的工作流程入手,结合前沿深度学习理论,进行了遥感图像的增强去雾和定位识别的研究。本文主要工作总结如下:（1）提出了一种基于对偶学习理论的弱监督生成对抗网络遥感图像去雾方法。针对目前深度学习去雾方法依赖有配对数据集的缺陷,提出了一种基于生成对抗网络的去雾网络。本网络直接使用非配对的真实有雾-无雾图片,通过添加循环感知损失的编码器-解码器网络学习有雾到无雾的隐式映射转换关系,同时设置其对偶网络学习无雾到有雾的映射转换关系,两个网络互相进行对抗学习,通过训练得到一个可以直接由有雾图片输出无雾图片的生成器。本方法在人工合成有雾图像和真实遥感有雾图像上进行了测试,在相关评价指标如峰值信噪比等方面获得了提升,同时生成图片更加接近于真实无雾图像,提升了视觉效果。（2）提出了一种基于改进特征编码和感兴趣区域采样方式的舰船检测方法。本章网络的特征编码部分,使用了空洞卷积来保持特征学习结构最后三层的特征图尺寸,在不减小极深网络带来的大感受...
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：118 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 遥感图像目标检测方法简述
1.2.2 深度学习算法研究现状
1.2.3 可见光遥感图像舰船识别研究现状
1.3 论文的主要工作及内容安排
第二章 遥感舰船识别相关方法
2.1 遥感图像中舰船目标特性
2.2 舰船目标检测工作流程
2.3 大气光照退化模型
2.4 全卷积神经网络
2.4.1 上采样层
2.4.2 特征融合层
2.5 基于深度学习的目标检测算法
2.5.1 R-CNN等系列算法
2.5.2 Faster R-CNN算法
2.5.3 Faster R-CNN的训练
2.6 本章小结
第三章 基于对偶式学习生成对抗网络的遥感图像去雾
3.1 引言
3.2 现有去雾算法简介
3.2.1 基于先验的暗原色去雾方法
3.2.2 现有深度学习去雾方法
3.3 生成对抗网络GAN
3.4 对偶学习相关理论基础
3.4.1 弱监督对偶学习方法
3.4.2 循环一致性损失
3.4.3 编码器-解码器结构
3.5 基于对偶式学习GAN的去雾网络
3.5.1 整体网络设计
3.5.2 实例规范化
3.5.3 循环感知一致性损失
3.5.4 网络整体损失函数
3.6 实验结果与分析
3.6.1 实验数据与环境
3.6.2 网络的训练与测试
3.6.3 客观评价指标
3.6.4 实验结果
3.7 本章小结
第四章 基于改进特征编码和ROI区域采样的舰船检测方法
4.1 引言
4.2 特征金字塔网络结构
4.3 空洞卷积以及非极大值抑制
4.3.1 空洞卷积
4.3.2 非极大值抑制
4.4 基于改进特征提取和区域建议网络结构的目标检测网络
4.4.1 整体网络结构
4.4.2 基于空洞卷积的FPN特征提取结构
4.4.3 感兴趣区域与非极大值抑制算法的改进
4.5 实验结果与分析
4.5.1 实验数据与参数
4.5.2 网络的训练及测试指标
4.5.3 对比算法及实验设计
4.5.4 检测结果及分析
4.5.5 不同改进的消融对比实验
4.6 本章小结
第五章 基于分割模型和无锚点边框生成的舰船检测方法
5.1 引言
5.2 基于精确标注的遥感舰船目标特性
5.2.1 常见矩形框标注方式的局限性
5.2.2 基于锚点类算法对于舰船目标的不适应性分析
5.3 基于分割模型的全卷积舰船检测网络
5.3.1 基于分割模型的全卷积神经网络整体介绍
5.3.2 特征学习部分与网络损失函数
5.3.3 基于类别置信度的加权非极大值抑制
5.4 实验结果与分析
5.4.1 实验数据与参数
5.4.2 训练样本标注转换操作
5.4.3 对比算法与指标
5.4.4 DOTA数据集检测结果
5.4.5 HRSC2016 数据集检测结果
5.4.6 Dense-ShipNet参数分析
5.4.7完整图结果展示及其他旋转目标实验
5.5 本章小结
第六章 总结与展望
参考文献
致谢
作者简介
本文编号：3432220
【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校
【文章页数】：118 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
1.1 研究背景及意义
1.2 国内外研究现状
1.2.1 遥感图像目标检测方法简述
1.2.2 深度学习算法研究现状
1.2.3 可见光遥感图像舰船识别研究现状
1.3 论文的主要工作及内容安排
第二章 遥感舰船识别相关方法
2.1 遥感图像中舰船目标特性
2.2 舰船目标检测工作流程
2.3 大气光照退化模型
2.4 全卷积神经网络
2.4.1 上采样层
2.4.2 特征融合层
2.5 基于深度学习的目标检测算法
2.5.1 R-CNN等系列算法
2.5.2 Faster R-CNN算法
2.5.3 Faster R-CNN的训练
2.6 本章小结
第三章 基于对偶式学习生成对抗网络的遥感图像去雾
3.1 引言
3.2 现有去雾算法简介
3.2.1 基于先验的暗原色去雾方法
3.2.2 现有深度学习去雾方法
3.3 生成对抗网络GAN
3.4 对偶学习相关理论基础
3.4.1 弱监督对偶学习方法
3.4.2 循环一致性损失
3.4.3 编码器-解码器结构
3.5 基于对偶式学习GAN的去雾网络
3.5.1 整体网络设计
3.5.2 实例规范化
3.5.3 循环感知一致性损失
3.5.4 网络整体损失函数
3.6 实验结果与分析
3.6.1 实验数据与环境
3.6.2 网络的训练与测试
3.6.3 客观评价指标
3.6.4 实验结果
3.7 本章小结
第四章 基于改进特征编码和ROI区域采样的舰船检测方法
4.1 引言
4.2 特征金字塔网络结构
4.3 空洞卷积以及非极大值抑制
4.3.1 空洞卷积
4.3.2 非极大值抑制
4.4 基于改进特征提取和区域建议网络结构的目标检测网络
4.4.1 整体网络结构
4.4.2 基于空洞卷积的FPN特征提取结构
4.4.3 感兴趣区域与非极大值抑制算法的改进
4.5 实验结果与分析
4.5.1 实验数据与参数
4.5.2 网络的训练及测试指标
4.5.3 对比算法及实验设计
4.5.4 检测结果及分析
4.5.5 不同改进的消融对比实验
4.6 本章小结
第五章 基于分割模型和无锚点边框生成的舰船检测方法
5.1 引言
5.2 基于精确标注的遥感舰船目标特性
5.2.1 常见矩形框标注方式的局限性
5.2.2 基于锚点类算法对于舰船目标的不适应性分析
5.3 基于分割模型的全卷积舰船检测网络
5.3.1 基于分割模型的全卷积神经网络整体介绍
5.3.2 特征学习部分与网络损失函数
5.3.3 基于类别置信度的加权非极大值抑制
5.4 实验结果与分析
5.4.1 实验数据与参数
5.4.2 训练样本标注转换操作
5.4.3 对比算法与指标
5.4.4 DOTA数据集检测结果
5.4.5 HRSC2016 数据集检测结果
5.4.6 Dense-ShipNet参数分析
5.4.7完整图结果展示及其他旋转目标实验
5.5 本章小结
第六章 总结与展望
参考文献
致谢
作者简介
本文编号：3432220
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3432220.html
