基于全卷积神经网络的航空图像目标检测算法研究
发布时间：2021-01-15 03:36
基于大规模数据的高分辨率影像目标检测算法研究,对于航空影像处理领域而言,是一个非常重要的研究方向。航空影像目标检测算法现在分为两种:传统算法和深度学习算法。传统的目标检测算法难以适用于大规模数据,该类算法通过人工设计的算子进行特征提取,其特征表达能力有限同时计算冗余耗时。人工设计的算子极其依赖于专业领域知识,而且很难从大规模数据中训练出一个有效的特征提取器,不能充分挖掘海量数据之间的联系。深度学习算法拥有高效的特征提取能力、强大的特征表达能力和学习优化能力,可以为图像中的目标特征提取算法研究提供有力的支撑。因此,针对航空图像检测问题,深度学习算法无论是在速度还是在精度上都有传统算法不可比拟的优势。本文将基于全卷积神经网络目标检测算法,对航空检测场景开展相关研究,主要研究内容如下。本文针对航空检测场景普遍存在的尺度不平衡问题提出启发式训练策略,该策略根据物体的标注先验信息生成新的训练样本,改变物体尺度的总体分布,从数据源头缓解了尺度不平衡问题。本文提出新的锚框聚类算法,该算法综合考虑样本与类中心的重叠程度和长宽比例一致程度。该算法和均匀设置锚框尺度相比,根据其结果所设置的锚框尺度可以获得...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
基于滑动框和传统机器学习的目标识别系统框图
哈尔滨工业大学工程硕士学位论文为两个主要部分：（1）HOG特征提取：从滑动框中提取出的子图中提取HOG特征；（2）支持向量机：以子图的HOG特征为输入，判断该子图中是否有待检物体。比如Cheng[17]和Grabner[18]使用传统滑窗方法，然后提取HOG特征，最后进行航空图像目标检测。相对于模板匹配算法和图像分析方法而言，传统机器学习检测算法具有更高的精确度、更加鲁棒以及较强的泛化能力。然而，传统机器学习方法所采用的滑窗方法会导致严重的冗余计算，而且手工设计算子提取特征，无法表征图像的更高级别语义信息。例如田径场地和足球场地具有相似的结构纹理，但是它们完全对应不同的抽象语义信息。1.2.2面向自然场景的目标检测算法研究现状目标检测领域吸引着越来越多的研究人员，主要是因为其广泛的应用和巨大的技术突破。自然场景目标检测算法的迅猛突破具有重要意义，被广泛应用于现代生活的许多领域，例如监视安全性、自主性驾驶、交通监控、无人机场景分析以及机器人视觉等。自然场景目标检测器一般分为两类，一类是一阶段检测器，例如YOLO[19–21]和SSD[22]。另一类是两阶段检测器，最有代表性的算法是FasterR-CNN[23]。两阶段检测器具有较高的定位精度和目标识别能力，而一阶段检测器可实现较高的推理速度。图1-2两阶段检测器的基本架构图[23]-3-
哈尔滨工业大学工程硕士学位论文两阶段检测器由骨干网络Backbone、候选区域生成网络（RegionProposalNet-work，RPN）、颈部网络Neck以及头部网络Head四个部分组成，如图1-2所示为两阶段检测器的基本架构图。例如，在Faster-RCNN中，第一阶段的任务是提取出候选目标边界框。然后RoIPooling操作从每个候选框中提取特征，以进行第二阶段的分类识别和边界框回归任务。一阶段探测器只包含Backbone、Neck和Head三个部分，省去了RPN部分。直接由输入图像预测物体的位置和类别，因此它们非常省时，可以应用于实时设备。DetNet[24]是针对检测器的骨干网络部分改进的，它的作用是对不同大小的物体进行特征提龋不同于FPN[25]使用更多的处理阶段，DetNet为保证计算效率，引入低复杂度的空洞卷积操作，所以能够做到较高分辨率和较大感受野兼得，DetNet的结构如图1-3所示。一般而言，检测任务的骨干网络迁移于图像分类网络，当图像分类网络直接应用到目标检测算法中，两者存在的差异导致分类网络并不完全适用于检测任务。DetNet不仅对分类识别任务进行优化，同时对定位精度也有显著提高，缓解了目标检测中分类识别和定位之间的矛盾，在目标检测和实例分割两个任务中都取得了显著的提升效果。图1-3DetNet的结构示意图[24]FPN[25]相当于是对检测网络的颈部网络改进的，它提供了一个实用的特征金字塔算法，针对不同尺度的目标候选区域使用相对应尺度的特征图。结构如图1-4所示，该图展示了FPN结构的检测网络，不同尺度的目标的RoI使用相对应尺度的特征图，显著改善多尺度目标检测的问题。同时，该网络使用的“U型”结构可以增强小目标物体的语义特征，提升检测器对小目标的检测效果。-4-
本文编号：2978145
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
基于滑动框和传统机器学习的目标识别系统框图
哈尔滨工业大学工程硕士学位论文为两个主要部分：（1）HOG特征提取：从滑动框中提取出的子图中提取HOG特征；（2）支持向量机：以子图的HOG特征为输入，判断该子图中是否有待检物体。比如Cheng[17]和Grabner[18]使用传统滑窗方法，然后提取HOG特征，最后进行航空图像目标检测。相对于模板匹配算法和图像分析方法而言，传统机器学习检测算法具有更高的精确度、更加鲁棒以及较强的泛化能力。然而，传统机器学习方法所采用的滑窗方法会导致严重的冗余计算，而且手工设计算子提取特征，无法表征图像的更高级别语义信息。例如田径场地和足球场地具有相似的结构纹理，但是它们完全对应不同的抽象语义信息。1.2.2面向自然场景的目标检测算法研究现状目标检测领域吸引着越来越多的研究人员，主要是因为其广泛的应用和巨大的技术突破。自然场景目标检测算法的迅猛突破具有重要意义，被广泛应用于现代生活的许多领域，例如监视安全性、自主性驾驶、交通监控、无人机场景分析以及机器人视觉等。自然场景目标检测器一般分为两类，一类是一阶段检测器，例如YOLO[19–21]和SSD[22]。另一类是两阶段检测器，最有代表性的算法是FasterR-CNN[23]。两阶段检测器具有较高的定位精度和目标识别能力，而一阶段检测器可实现较高的推理速度。图1-2两阶段检测器的基本架构图[23]-3-
哈尔滨工业大学工程硕士学位论文两阶段检测器由骨干网络Backbone、候选区域生成网络（RegionProposalNet-work，RPN）、颈部网络Neck以及头部网络Head四个部分组成，如图1-2所示为两阶段检测器的基本架构图。例如，在Faster-RCNN中，第一阶段的任务是提取出候选目标边界框。然后RoIPooling操作从每个候选框中提取特征，以进行第二阶段的分类识别和边界框回归任务。一阶段探测器只包含Backbone、Neck和Head三个部分，省去了RPN部分。直接由输入图像预测物体的位置和类别，因此它们非常省时，可以应用于实时设备。DetNet[24]是针对检测器的骨干网络部分改进的，它的作用是对不同大小的物体进行特征提龋不同于FPN[25]使用更多的处理阶段，DetNet为保证计算效率，引入低复杂度的空洞卷积操作，所以能够做到较高分辨率和较大感受野兼得，DetNet的结构如图1-3所示。一般而言，检测任务的骨干网络迁移于图像分类网络，当图像分类网络直接应用到目标检测算法中，两者存在的差异导致分类网络并不完全适用于检测任务。DetNet不仅对分类识别任务进行优化，同时对定位精度也有显著提高，缓解了目标检测中分类识别和定位之间的矛盾，在目标检测和实例分割两个任务中都取得了显著的提升效果。图1-3DetNet的结构示意图[24]FPN[25]相当于是对检测网络的颈部网络改进的，它提供了一个实用的特征金字塔算法，针对不同尺度的目标候选区域使用相对应尺度的特征图。结构如图1-4所示，该图展示了FPN结构的检测网络，不同尺度的目标的RoI使用相对应尺度的特征图，显著改善多尺度目标检测的问题。同时，该网络使用的“U型”结构可以增强小目标物体的语义特征，提升检测器对小目标的检测效果。-4-
本文编号：2978145
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/2978145.html
