基于深度学习的无人机航拍图像目标检测

发布时间：2021-05-11 00:30

　　无人机航拍下的目标检测是计算机视觉领域中的前沿研究课题。相关技术可应用在农业、建筑、快递、公共安全等各个领域。传统的“基于手动特征提取+分类器”的目标检测算法已无法满足精度要求。近年来深度学习技术在计算机视觉的很多领域取得了令人满意的结果,但当深度学习的目标检测方与航拍图像结合时,面临如下的挑战:由于无人机航拍图像具有高分辨率、背景复杂、目标分布密集、尺度变化大等特点,这些方法的检测精度有限,本文针对上述这些问题展开研究,主要的工作以及创新点如下:（1）针对类间目标差异较小的问题,本文在Faster R-CNN算法基础之上,通过增加可形变卷积模块来提升网络对于空间信息的建模能力。相比于传统的卷积方式,可形变卷积模块能更好的对物体的几何形变建模,对类间差异较小的目标有更好的甄别能力,同时也能提高定位精度。（2）针对无人机航拍图像背景复杂的特点,提出一种基于混合注意力机制的目标检测算法:HAM-Faster-RCNN（Faster R-CNN based on hybrid attention mechanism）。该算法在增加了可形变卷积模块的Faster R-CNN的基础上引入混合注意... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：85 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第一章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 目标检测技术研究现状
        1.2.2 无人机目标检测系统研究现状
    1.3 本文主要研究内容
    1.4 本文结构安排
第二章 目标检测相关技术综述
    2.1 传统的目标检测算法
    2.2 Two-stage的目标检测算法
        2.2.1 R-CNN算法概述
        2.2.2 Fast R-CNN算法概述
        2.2.3 Faster R-CNN算法概述
    2.3 One-stage的目标检测算法
    2.4 注意力机制
        2.4.1 空间维度的注意力机制
        2.4.2 通道维度的注意力机制
    2.5 检测框的合并策略
        2.5.1 传统的NMS算法
        2.5.2 Soft-NMS算法
    2.6 公共数据集
    2.7 目标检测性能的评价指标
    2.8 本章小结
第三章 改进的Faster R-CNN目标检测算法
    3.1 引入动机
    3.2 卷积方式
        3.2.1 传统卷积
        3.2.2 空洞卷积
        3.2.3 可形变卷积
    3.3 算法框架
    3.4 实验
    3.5 本章小结
第四章 基于混合注意力机制的Faster R-CNN算法
    4.1 引入动机
    4.2 算法框架
        4.2.1 RPN
        4.2.2 分类与回归子网络
    4.3 实验
        4.3.1 混合注意力模块
        4.3.2 HAM-Fas ter-RCNN
    4.4 本章小结
第五章 目标检测模型融合方法
    5.1 引入动机
    5.2 算法框架
    5.3 实验
        5.3.1 实验数据以及实验参数
        5.3.2 实验结果
    5.4 本章小结
第六章 总结与展望
    6.1 本文工作内容
    6.2 未来工作展望
参考文献
附录
致谢



本文编号：3180359