基于深层卷积神经网络的高分辨率遥感影像船舶检测和分类
发布时间：2020-08-17 22:06
【摘要】：船舶目标的检测在民用、商用、军用等各方面均有着重要意义,船舶检测不仅仅能为海洋部门的海域监管做出重要贡献,而且还可能影响到国家的经济和领土安全。如相关部门可以通过监控特定海域与特定港口来维护海上交通安全,军队可以通过检测某些重要军事口岸快速获取敌军的军事部署和实力等。因此研究如何准确、快速的进行船舶目标检测非常重要。随着遥感技术的高速发展,尤其是高分系列卫星的成功发射,我们所能获得的遥感图像空间分辨率越来越高,所以我们可以使用高分辨率遥感图像来进行船舶目标检测任务,但是目前利用高分辨率遥感图像进行船舶目标检测的研究大多采用传统特征提取和机器学习方法,或者采用基于传统的滑动窗口和浅层卷积神经网络结合的方法。传统的方法不能充分利用高分辨率遥感图像提供的丰富的光谱信息和空间信息,目标检测准确率不高,而基于传统的滑动窗口查找候选区域和浅层卷积神经网络判别候选区域直接结合的方法由于使用传统的滑动窗口法产生了大量的候选区域,所以检测速度比较慢,而且浅层卷积神经网络也不能充分提取船舶的某些重要特征,导致了遥感图像船舶检测的准确率也不高。基于以上所述,本文针对来自Google Earth的高分辨可见光遥感图像数据,提出了一种基于深层卷积神经网络的HS-CNN模型来实现高分辨率可见光遥感图像船舶目标检测任务。模型首次将SVM分类器和深层卷积神经网络结合起来用于船舶检测。首先使用选择性搜索算法来查找图像中的所有感兴趣区域,然后使用HOG+SVM来初筛排除部分非船舶区域,最后使用一个16层的深层卷积神经网络进行判别。实验结果表明,本文提出的高分辨率遥感图像船舶检测模型中使用选择性搜索算法来选择候选船舶区域减少了传统滑动窗口带来的大量计算量,然后使用HOG+SVM按照特定概率初筛进一步的减少了候选区域数量,而且深层卷积神经网络模型比传统的机器学习方法和浅层神经网络模型能够更充分的利用图像中丰富的光谱信息和空间信息提取遥感图像船舶的特征来进行最后的判断,在船舶检测任务中取得了更快、更准确的效果。而且,针对现阶段高分辨率可见光遥感图像的船舶分类研究较少且分类准确率不高的情况,本文将使用深层卷积神经网络来完成高分辨率遥感图像船舶分类任务。但是,目前网络上没有能直接使用的高分辨可见光遥感图像船舶分类的开源数据,没有足够的数据用于船舶分类任务。为此,本文基于迁移学习提出了一种高分辨可见光遥感图像船舶分类方法,并基于Google Earth的高分辨率遥感图像建立了一个简单的船舶分类数据集,该方法可以很好地利用深层卷积神经网络所带来的强大记忆能力、学习能力和特征空间表达能力,充分提取各类船舶的特征。最后本文使用了多种源领域数据集来完成深层卷积神经网络的预训练,并使用船舶数据集对进行网络微调,通过与不使用迁移学习时的分类结果相比,验证了本文所用方法的有效性。
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP183
【图文】：
而随着当代遥感技术的高速发展，遥感图像的空间分辨率逐步提升，遥感图像中逡逑各类目标都变得越来越清晰，所以我们可以利用遥感图像来进行船舶分类任务。逡逑如图１．１所示，一次展示了三种类别的船舶，分别是航母，货船、军舰，他们不逡逑但外形细节上有区别，且用途和作用也不尽相同。船舶类别能够给我们带来很多逡逑有用的信息，比如某片海域有军舰或者走私船舶出现，这对维护国家军事和经济逡逑利益都有着很重要的价值。因此，针对高分辨率遥感图像中船舶类别的研宄是可逡逑┧鲥义希ǎ幔┖侥稿危ǎ猓┗醮危ǎ悖┚㈠义贤迹保辈煌啾鸬囊８型枷翊笆纠煎义希跺义
本文编号：2795892
【学位授予单位】：浙江大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751;TP183
【图文】：
而随着当代遥感技术的高速发展，遥感图像的空间分辨率逐步提升，遥感图像中逡逑各类目标都变得越来越清晰，所以我们可以利用遥感图像来进行船舶分类任务。逡逑如图１．１所示，一次展示了三种类别的船舶，分别是航母，货船、军舰，他们不逡逑但外形细节上有区别，且用途和作用也不尽相同。船舶类别能够给我们带来很多逡逑有用的信息，比如某片海域有军舰或者走私船舶出现，这对维护国家军事和经济逡逑利益都有着很重要的价值。因此，针对高分辨率遥感图像中船舶类别的研宄是可逡逑┧鲥义希ǎ幔┖侥稿危ǎ猓┗醮危ǎ悖┚㈠义贤迹保辈煌啾鸬囊８型枷翊笆纠煎义希跺义
本文编号：2795892
本文链接：https://www.wllwen.com/kejilunwen/sousuoyinqinglunwen/2795892.html
