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

发布时间：2020-09-21 14:46

　　 随着现代遥感技术的飞速发展,大量的遥感卫星生成了海量的遥感图像数据,遥感图像包含非常丰富的信息,具有重要的研究和应用价值,应用领域众多,其中遥感图像目标检测与分类一直都是学术界研究的热点,近年来深度学习技术的发展使得遥感图像目标检测与分类的性能有了显著提高,考虑到现有的基于深度学习的遥感图像目标检测与分类存在的问题,本文分别针对目标检测与分类的难点,从样本选取、网络设计等方面提出了改进方法。本文主要研究内容如下:1、提出了基于集成深度卷积融合网络的遥感图像目标检测方法。针对遥感图像目标检测中的小目标难检测问题,在检测网络中加入基于K-means的参考框设计以及特征融合,使初始目标候选框的尺寸更符合遥感数据集,所提取的特征更适合于小目标;针对遥感图像目标检测中的背景误检问题,在检测网络中加入背景分类子网络,通过增加背景类以及在网络中对分类结果进行集成,提高了对目标候选框分类的准确率,而且通过增加该子网络,更充分地利用了遥感图像的信息。实验结果的对比说明了提出的集成深度卷积融合网络的优越性。2、提出了基于双通道融合卷积网络的多源遥感图像分类方法。对于现有的基于卷积神经网络的遥感图像分类方法,使用固定尺寸对目标像素取块,其邻域信息不一定都对中心像素点起正反馈作用,针对此问题,提出基于超像素的自适应区域选择,利用图像的空间分布确定像素点输入网络的区域,生成多种尺寸的图像块来训练网络;为了更好地利用多源遥感图像数据,提出双通道融合卷积网络,在网络中分别提取两种数据的特征,使用DPN模块对两种特征进行融合,在保留原始特征的前提下生成新的特征,因此提取特征的鲁棒性和判别性较好,在不同数据实验结果的对比验证了提出方法的有效性。3、提出了基于多尺度自适应深度融合残差网的遥感图像分类方法。为了提高训练数据集的质量,提出重要样本选择策略,基于遥感图像的超像素分割结果,使用梯度信息和空间分布来选取多样性的、更具代表性的训练样本;为了更好地利用网络中多层次的特征,提出多尺度自适应深度融合残差网,考虑到不同尺寸的目标需要不同的语义信息,在网络中提出自适应融合模块对多尺度多层次的特征进行融合。在四个数据集上不同方法的对比验证了两个创新点的有效性。综上所述,本文对遥感图像目标检测和分类方法进行研究,实验结果证明了提出方法的有效性,说明研究成果具有一定的实际意义。
【学位单位】：西安电子科技大学
【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 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

6 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

7 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

8 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

9 范金华;陈锻生;;高光谱图像目标检测研究进展[J];微型机与应用;2015年16期

10 王艳,鲍建跃,林晓春,过润秋;基于FPGA的红外图像目标检测[J];西安电子科技大学学报;2005年03期

相关会议论文 前8条

1 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

2 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

3 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

4 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

5 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

6 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

7 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

8 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 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

2 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

3 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

4 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

5 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

6 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

7 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

8 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

9 周明非;基于深度神经网络的遥感图像目标检测研究[D];陕西师范大学;2018年

10 徐晖;基于哈希学习的遥感图像目标检测及应用[D];南京理工大学;2018年

本文编号：2823621