不完全监督学习遥感图像目标检测技术研究

发布时间：2021-03-12 05:33

　　近年来,随着遥感技术的发展与进步,越来越多的高分辨率遥感图像可以被采集,因此基于深度学习的目标检测也被应用到遥感图像领域。然而高精度的目标检测器需要通过大量有标签数据进行训练来获得,而遥感图像本身尺寸大且目标数量极多,标注成本限制了数据集规模的同时也限制了目标检测器的表现。现实中存在着海量的无标签遥感图像,本课题通过研究面向目标检测的不完全监督学习算法,设计了主动学习算法对无标签数据的有效挖掘和选择性标注的同时引入半监督学习算法对部分目标实例进行自动标注,减少标注成本的同时提升目标检测器的表现。首先,本课题研究了在同等标注图像数量下,如何定义主动学习目标检测任务中的目标实例分类不确定度并整合图像的不确定度以实现更高的检测精度和相对标注图像节省率。我们在进行实验和分析后提出了相对标注目标节省率这一指标,可以对遥感图像目标检测不完全监督学习进行更加精确的分析和指示,并以此指标衡量论文的其他不完全监督学习算法。其次,本课题对目标检测器的回归信息进行了分析并设计了目标实例级的回归不确定度,此不确定度可以通过目标实例的尺寸评估对于目标检测器其信息量。通过与分类不确定度进行结合,我们设计可以对不同... 

【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】：78 页

【学位级别】：硕士

【部分图文】：

目标检测任务示意图

遥感

遥感图像标注图

【参考文献】：
期刊论文
[1]A brief introduction to weakly supervised learning[J]. Zhi-Hua Zhou.  National Science Review. 2018(01)
[2]半监督学习方法[J]. 刘建伟,刘媛,罗雄麟.  计算机学报. 2015(08)
[3]主动学习算法综述[J]. 刘康,钱旭,王自强.  计算机工程与应用. 2012(34)

硕士论文
[1]深度主动半监督学习的目标检测[D]. 华佳燊.浙江大学 2019
[2]基于主动学习和半监督学习方法的医疗实体及其修饰识别研究[D]. 王润奇.哈尔滨工业大学 2017



本文编号：3077772