基于深度学习的遥感图像目标检测方法研究

发布时间：2020-09-04 15:01

　　 随着遥感图像分辨率的提高,从遥感图像中获得的信息变得越来越丰富。遥感图像识别技术在军事导航和环境监测等方面具有重要意义,对遥感图像进行目标检测具有重要的现实意义和应用前景。但是在遥感图像中存在许多的干扰因素,如视角特殊性、背景复杂度高以及小目标问题等,从而对遥感图像物体检测技术提出了更高的要求和挑战。近年来,深度学习在图像分类和识别领域取得了显著成果,引起了众多研究者的关注。尽管与传统方法相比,深度学习方法在检测性能方面具有显著优势,但是由于遥感图像的特殊性,当前遥感图像目标检测算法在检测速度与准确率方面还不能满足大范围自动化应用的要求,检测速率与检测准确度还能有较大的提升。针对以上问题,本文的主要工作与创新点如下:(1)提出了一种基于改进SSD(Single Shot MultiBox Detector)的遥感图像目标检测方法。首先针对SSD基础网络VGG-16参数繁多,计算成本高的问题,提出使用inception-v2作为SSD模型中的基础网络,以减少特征提取过程中花费的时间,加速网络训练。然后,针对SSD在多尺度目标检测中存在小目标检测效果不好的现象,采用上采样与Concat操作的方式将inception-v2中的Mixed 3c层、Mixed 4c层与Mixed 5c层进行通道连接与特征融合,从而使低层特征语义信息与高层特征语义相结合,提高低层网络提取特征的能力。最后针对SSD在训练过程中出现的正负样本不平衡的问题,本文提出采用Focal Loss解决这一问题,使得SSD网络在训练过程中聚焦于难分类的样本,加速网络收敛。在公开的三个遥感图像数据集NWPU-VHR、UCAS-AOD以及RSOD上进行了对比实验,与改进前的SSD相比,在检测速度匹配的同时平均精确率分别提高了5.4%、6.1%以及11.6%。(2)提出了一种基于改进Faster R-CNN的遥感图像目标检测方法。针对遥感图像中小、中型目标所占比例较大的特点,通过对Faster R-CNN的检测性能分析,首先,提出在Faster R-CNN网络结构中增加Conv2 2层、Conv3 3层、Conv4 3层作为RoI池化层的输入,RoI池化层的输入由之前的Conv5 3一层增加为四层,池化后的输出通过Concat操作进行特征融合后作为用于预测的最终特征图。其次,通过改变Faster R-CNN中anchors的尺度来匹配遥感图像中目标的尺度大小,anchors的数目由之前的9个变为15个。在NWPU-VHR、UCAS-AOD以及RSOD数据集上的平均精确率比改进前的Faster R-CNN分别提升了2.5%、2.7%以及3.6%。
【学位单位】：湖南大学
【学位级别】：硕士
【学位年份】：2019
【中图分类】：TP751;TP18

【相似文献】

相关期刊论文 前10条

1 ;图像目标检测技术及应用[J];大数据;2016年05期

2 李林;张盛兵;吴鹃;;基于深度学习的实时图像目标检测系统设计[J];计算机测量与控制;2019年07期

3 ;中科院沈阳自动化所基于深度学习的航拍图像目标检测研究取得进展[J];自动化博览;2019年12期

4 安洁玉;丁斌芬;;无人机海监测绘技术应用下舰船遥感图像目标检测[J];舰船科学技术;2019年24期

5 杨桄;田张男;李豪;关世豪;;基于线性解混的高光谱图像目标检测研究[J];激光技术;2020年02期

6 程秋菊;陈国平;王璐;管春;;基于卷积神经网络的毫米波图像目标检测[J];科学技术与工程;2020年13期

7 张裕;杨海涛;;基于深度学习的轻量化遥感图像目标检测方法[J];信息技术;2019年09期

8 李晓冰;;具有先验信息的经纬仪测量图像目标检测技术[J];光电技术应用;2008年01期

9 贺霖;潘泉;邸椺;李远清;;高光谱图像目标检测研究进展[J];电子学报;2009年09期

10 张裕;杨海涛;刘翔宇;;基于多尺度特征稠密连接的遥感图像目标检测方法[J];中国电子科学研究院学报;2019年05期

相关会议论文 前9条

1 罗来全;李升波;高洪波;刘征宇;成波;;用于图像目标检测的深度Q学习算法[A];2019第七届中国指挥控制大会论文集[C];2019年

2 李国强;艾淑芳;;一种天空背景红外图像目标检测方法[A];第九届全国光电技术学术交流会论文集（下册）[C];2010年

3 黄家闽;杨珑颀;;基于随机共振和支持向量机的声纳图像目标检测[A];信号处理在生仪2014学术年会论文集[C];2014年

4 刘东华;王元钦;李秋娜;;小波分析理论在图像目标检测中的应用[A];第二届全国信息获取与处理学术会议论文集[C];2004年

5 高飞;刘爱冬;;基于深度卷积神经网络的SAR图像目标检测[A];第十二届全国信号和智能信息处理与应用学术会议论文集[C];2018年

6 刘代志;何元磊;黄世奇;;基于地物波谱特性的高光谱图像目标检测与识别[A];国家安全地球物理丛书（七）——地球物理与核探测[C];2011年

7 潘雄;郎量;苗灿;赵盈盈;杜雨馨;朱杏子;;基于深度学习的被动毫米波图像目标检测方法研究[A];2019年全国微波毫米波会议论文集（上册）[C];2019年

8 刘向君;杨泽刚;刘强;;基于多波段SAR图像目标检测决策级融合和图像分类的目标状态标注[A];第十四届全国信号处理学术年会(CCSP-2009)论文集[C];2009年

9 江政杰;李雨倩;陈金勇;林云;李宇曜;;领域自适应在遥感图像目标检测问题中的应用[A];第六届高分辨率对地观测学术年会论文集（上）[C];2019年

相关博士学位论文 前10条

1 王振华;基于深度学习的野外巡线系统图像目标检测研究[D];中国地质大学(北京);2018年

2 黄勇;基于语义信息的高分辨SAR图像目标检测[D];西安电子科技大学;2018年

3 王兆成;复杂场景下SAR图像目标检测及鉴别方法研究[D];西安电子科技大学;2018年

4 张国敏;复杂场景遥感图像目标检测方法研究[D];国防科学技术大学;2010年

5 刘说;低检测率SAR图像目标检测与识别理论研究[D];电子科技大学;2017年

6 李轩;基于局部特征的遥感图像目标检测方法研究[D];长春理工大学;2016年

7 李晓慧;高光谱图像目标检测及压缩方法研究[D];哈尔滨工程大学;2014年

8 郭鹏宇;光测图像目标检测跟踪与判读方法研究[D];国防科学技术大学;2015年

9 郭军;引入上下文信息的可见光遥感图像目标检测与识别方法研究[D];国防科学技术大学;2014年

10 傅志中;红外扫描成像动目标检测跟踪技术与DSP实时实现[D];电子科技大学;2002年

相关硕士学位论文 前10条

1 赵坤;基于深度学习的遥感图像目标检测方法研究[D];湖南大学;2019年

2 张鹏;基于卷积神经网络的多尺度遥感图像目标检测方法研究[D];西安电子科技大学;2019年

3 陈小波;基于多尺度特征融合与方向边界框预测的光学遥感图像目标检测[D];西安电子科技大学;2019年

4 李阁;基于多尺度深度特征融合网络的遥感图像目标检测与分类[D];西安电子科技大学;2019年

5 王飞;基于深度网络的SAR图像目标检测与鉴别[D];西安电子科技大学;2019年

6 闫俊起;基于层次视觉计算和表征学习的图像目标检测[D];西安电子科技大学;2019年

7 黄国权;基于深度学习的卫星图像目标检测与识别研究[D];浙江大学;2019年

8 李星悦;基于深度学习的遥感图像目标检测研究[D];中国科学技术大学;2019年

9 王萌;基于修剪策略的遥感图像目标检测方法研究[D];吉林大学;2019年

10 阙钰佳;基于深度学习的SAR图像处理研究[D];电子科技大学;2019年

本文编号：2812248