遥感影像中的近岸舰船目标检测和细粒度识别方法研究

发布时间：2020-12-29 05:06

　　可见光遥感影像中近岸舰船的检测在海域监视、军事侦察等方面具有重要的意义,相比于海洋背景下的舰船定位,近岸舰船所处的背景环境更加复杂多样,且船只往往并排停靠,尺度和长宽比变化范围较大,在检测问题上更为困难;近岸舰船目标的细粒度识别有助于实现港口区域的精细化监视、打击隐藏于民船中的敌方舰船,但不同类别的舰船目标通常在外形、颜色和纹理等方面区分度不大,要实现准确的细粒度识别具有很高的难度。基于深度学习的目标检测和识别方法在抑制复杂背景环境干扰和识别多种类别目标等方面有着优异的性能,但目前在近岸舰船目标检测和识别领域的相关研究还相对较少,论文基于深度学习方法对高分辨率遥感影像中的近岸舰船检测和识别问题进行了深入的探索,主要工作如下:首先,系统地阐述了论文的研究背景与意义,从搜索空间离散化的角度对基于深度学习的目标检测技术进行了分类概述,并对涉及的关键难点进行了总结归纳。其次,提出了一种基于实例分割的近岸舰船目标检测方法,利用语义分割的算法框架同时对舰船区域和舰船中心点进行预测,然后基于中心点位置对并排的多个舰船实例进行分离,实验表明该方法不仅能在定位舰船的同时实现对舰船目标的像素级分割,而且在... 

【文章来源】：华中科技大学湖北省 211工程院校 985工程院校 教育部直属院校

【文章页数】：70 页

【学位级别】：硕士

【部分图文】：

经典卷积神经网络LeNet-5

方向对模型参数进行更新，这主要包括各种随机梯度下降算法以及相对应的可自适应学习率的改进版本。2.2 深度学习背景下的目标检测技术概述自然图像理解中的目标检测技术解决的是确定感兴趣目标在图像中的具体位置以及准确类别的问题。基于深度学习的解决方案通常分为四个步骤：搜索空间离散化、深度特征提取、预设框（或其它的定位形式）编解码、检测框后处理。由于目标的空间位置和尺度分布本身具有连续性，对空间和尺度的合理离散化可以极大地提高搜索效率，根据对搜索空间进行离散化的具体方式已有的方法大致可以分为四大类。第一类方法基于外部的候选区域生成算法对搜索空间进行离散化，然后通过深层网络对候选区域进行分类和坐标回归，常用的候选区域生成方法包括基于多尺度滑动窗口的方法、基于边缘图的方法[31]以及基于图像分割的方法[32]等，如图 2-2 所示是经典的 Selective Search 候选区域生成算法。这一类方法通常训练过程较为复杂，候选区域生成的时间复杂度较高，并且需要对大量候选区域进行分类，极大地限制了这一类方法的实际应用。

华 中 科 技 大 学 硕 士 学 位 论 文设框设置策略，预设框不再是固定尺度和长宽比的组合，而是根据先验框集合动态地生成，先验框可以根据数据集动态地指定从而更好地适应特定数据集中目标框的分布。由于这一类方法采用多阶段渐进式的预设框生成策略，可以保证后续阶段中的预设框与实际目标框更为接近，同时也避免了优化过程中来自大量负样本的梯度信息的干扰，从而有利于后续阶段学习更高质量的分类器和回归器，因此在检测性能上这一类方法通常更为优越。但多阶段的检测流程使得整个过程更为繁琐低效，较慢的检测速度限制了这一类方法的广泛应用。

【参考文献】：
期刊论文
[1]基于局部自相似性的遥感图像港口舰船检测[J]. 胡俊华,徐守时,陈海林,张振.  中国图象图形学报. 2009(04)
[2]一种基于轮廓匹配的近岸舰船检测方法[J]. 雷琳,粟毅.  遥感技术与应用. 2007(05)
[3]高分辨率遥感图像港内舰船的自动检测方法[J]. 隆刚,陈学佺.  计算机仿真. 2007(05)
[4]基于支持向量机的遥感图像舰船目标识别方法[J]. 李毅,徐守时.  计算机仿真. 2006(06)

硕士论文
[1]高分辨率可见光遥感图像港口及港内目标识别方法研究[D]. 张振.中国科学技术大学 2009



本文编号：2945066