基于深度卷积神经网络的光学遥感目标检测技术研究

发布时间：2020-05-05 04:43

【摘要】：光学遥感图像中的目标检测技术在民用方面和军事方面都有着十分重要的意义。在民用方面,高精度的目标检测可以辅助城市交通管理,帮助城市进行规划建设;在军事方面,高精度的目标检测有利于精确地锁定入侵目标,保护国家安全。光学遥感图像中传统的目标检测算法——边缘检测算法、阈值分割法、基于视觉显著性的方法和基于浅层机器学习的算法已经很难满足今天光学遥感图像中目标检测的要求。随着深度学习特别是深度卷积神经网络在图像处理领域的巨大发展,利用深度卷积神经网络在光学遥感图像中进行目标检测已经成为不可阻挡的趋势。相较于浅层机器学习进行目标检测时复杂且低效的工作流程:首先必须依据特定目标设计特定的特征提取算法然后再将得到的特征送入分类器进行分类,深度学习特别是深度卷积神经网络则可以直接提取目标的有效特征。另外,深度卷积神经网络能够提取目标更加本质的特征而浅层机器学习只能提取初级或者中级的特征如纹理特征、边缘特征等。目前,基于深度卷积神经网络的目标检测算法大体上可以分为俩种:一种是以Faster RCNN为代表的双阶段检测器,另一种是以YOLO和SSD为代表的单阶段检测器。相较于双阶段的目标检测器,单阶段的目标检测器在速度上更具有优势,但是在精度上表现不佳,尤其在检测小尺度目标的时候其结果并不令人满意。特别是YOLO系列,在小尺度目标上的检测精度尤为糟糕。而双阶段检测器虽然在速度上慢于单阶段检测器但是其在小尺度目标上的检测精度要优于单阶段检测器。相比较而言,双阶段检测器更加适合光学遥感类的目标检测。因此,本文依据已经公开的具有国际认可度的光学遥感数据集进行有关研究。基于Faster RCNN检测器,在俩个具有代表性的数据集上,“微调”多种主流深度卷积神经网络进行目标检测,并对各个深度卷积神经网络的性能进行全面的分析。从详细的实验分析中,了解各个深度卷积神经网络的优缺点,了解何种结构的深度卷积神经网络更加适合光学遥感图像中的目标检测,了解直接“微调”深度卷积神经网络在光学遥感图像中进行目标检测的注意点和不足。同时,为了减少深度卷积神经网络所需要的存储空间,我们提出了子网卷积化的方法,初步探索网络轻型化。研究发现,直接微调‖深度卷积神经网络在光学遥感图像中进行目标检测存在着很多的不足。因此,我们提出了一系列的改进。首先,在光学遥感图像的目标检测中,周围环境复杂,干扰较多。因此,利用深度卷积神经网络进行目标检测时存在大量难以识别的目标。在训练的过程中为保证网络在整个数据集上取得较好的结果,往往会忽视“难样本”的特征。针对这种情况,我们采用在线难例解析‖,即将难以识别的目标作为网络训练的主要对象进行目标检测与识别, 在线难例解析‖有效地提高了网络的整体能力。其次,光学遥感图像中部分目标摆放非常密集,尺度较小,这些目标的有效特征在深度卷积神经网络传播过程中会严重丢失,针对这种情况,我们提出了提高分辨率来减少特征的丢失。但是,直接提高网络结构的分辨率会导致感受野的下降从而导致全局信息的丢失,所以我们采用空洞卷积‖来提高感受野。除此之外,深层次网络得到的特征包含较少的定位信息,而定位信息对于光学遥感图像中的目标检测是十分重要的,因此本人提出了一种多尺度特征结合的方法。该方法结合了深层网络所包含的有利于分类的高级语义特征和浅层网络包含的有利于定位的边缘、纹理等特征。最后,为了减小深度卷积神经网络模型所需要的存储空间,增加网络的可移植性,本人又提出了一种网络轻型化的方法。通过实验证明,我们提出的方法是可行的,相较于目前流行的基于深度卷积神经网络的目标检测方法,我们的方法在精度和召回率上存在较大的优势。综上所述,我们深度研究了如何在光学遥感图像中利用深度卷积神经网络进行目标检测。在分析了多种主流深度卷积神经网络在光学遥感图像中进行目标检测的优缺点的基础上,提出一系列的改进从而达到高精度目标检测的目的。我们的研究对于光学遥感图像中的目标检测具有很深的指导意义。
【图文】：

机器学习,人工智能

度学习的研究进展与国内外研究现状机支付[27, 28]、网页搜索[29, 30]、指纹识别[31, 32]、语音助手[33, 34]、5, 36]到正在研究的自动驾驶[37, 38]，人工智能正在影响我们生活的们的生活更加便利、快捷。人工智能是由著名的图灵机‖发明者艾灵于 1950 提出的一种设想：希望造出一种机器，它可以和人的大，可以处理一些只有人才能够处理的问题。虽然到目前为止，，我这么伟大的目标，但是我们的人工智能技术正在不断的发展。人研究整体包含很多方面的研究如：机器人的研究[39, 40]、仿生系统图像分类的研究[43, 44]、自然语言处理的研究[45, 46]等。而机器学习要的实现人工智能方法，深度学习则是机器学习中的一个分支。是指具有深层次网络结构，能够自主提取隐含在数据中的特征的现在的深度学习已经成为机器学习和人工智能发展最大的动力，学习、人工智能的关系图如图 1.2 所示。

示意图,多层感知机,示意图

第 1 章绪论机器学习是从人工神经网络的研究开始的[47-49]。通过研究人类大脑神经的原理，沃尔特·皮茨和沃伦·麦克洛克提出了人工神经网络的概念，并进行了建模。数年后，赫布给提出了人工神经网络的学习规则——输入信号先线性求和再经过非线性激活。1957 年，弗兰克·罗森布莱特提出了感知器[50]的概念种最简单的人工神经网络模型就此出现，并且弗兰克·罗森布还提出了可以最小二乘法进行感知器的训练。但是感知器只是一种非常简单的神经网络，其表达能力非常有限，只能解决一些线性可分的问题。自此，人工神经网研究陷入困境。上世纪 80 年代，Hinton 教授等人提出了反向传播算法[51]和感知器模型[52, 53]并改进了非线性激活函数。这些措施较为有效地解决了人工网络非线性分类的问题，人工神经网络再次取得发展。一种简单的多层感知图 1.3 所示。
【学位授予单位】：中国科学院大学(中国科学院长春光学精密机械与物理研究所)
【学位级别】：博士
【学位授予年份】：2019
【分类号】：TP751;TP183

【相似文献】