基于深度学习的遥感影像目标检测算法研究
发布时间：2021-04-03 20:41
随着遥感技术的进步,人们获取的遥感数据量急速攀升,更需要高效的自动化处理数据的手段。作为当下最热门的人工智能技术,深度学习成为了热门的研究领域,并且在遥感影像目标检测领域已经展现出了潜力。本文重点研究基于深度学习的遥感影像目标检测算法。本文对现有算法存在的不足之处进行了分析,并结合遥感影像目标检测的任务展开进一步的研究。首先在遥感图像中的物体是形状各异,大小不一,且其中小目标的数量繁多,这些小目标的信息较少,不易识别,在网络中易于丢失,这使得网络对于小目标的检测效果较差,漏检错检测的情况严重。其次随着遥感影像分辨率越来越高以及算法性能的提升,基于更高IoU阈值的高质量检测需求也随之增长,但是遥感影像中形状各异、大小不一的物体对于探测器是一个难以兼顾的问题,无法对这些物体同时做到精准的定位以实现高质量的检测,多数情况下只能降低检测的IoU阈值标准。针对上述问题,本文开展了以下工作:（1）引入特征金字塔,使用结构化的锚点设计,在顶层特征上抑制对锚点的选择,在底层特征上增强对锚点的选择,通过锚点补选增强的方法,给予包含小目标的锚点更多的训练机会,以此来引导网络偏向检测小目标。（2）使用多阶段...
【文章来源】： 申原 中国科学院大学(中国科学院深圳先进技术研究院)
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
边界框交并集的概念示意图
第2章基于深度学习的目标检测算法11靠的越近，IoU就会越大，直到如中间的两个矩形的情况，此时的IoU已经是两个矩形之间的最大值了，此时从位置关系上来讲，它们已经是最接近的了，不过这个时候就看出来，只有当两个矩形越相似的时候，其IoU才可以继续增大。IoU在目标检测中占据十分重要的地位，它可以刻画两个矩形之间的位置关系和相似程度。图2-2IoU描述位置关系和相似程度2.2.2非极大值抑制非极大值抑制（NonMaximumSuppression，NMS）是目标检测算法中必不可少的重要组成部分。在目标检测算法中为了尽可能的召回目标，减少漏检，会生成成千上万个候选框，而这些候选框中只有一个结果可以作为最终的预测值，这里就需要用到非极大值抑制。如图2.3所示，是两步走算法的一个大致流程图，里面涉及到许多关于边框的计算，首先通过区域建议网络，生成一系列的候选框，如右上角所示。然后网络对这一系列的候选框进行分类，并对其坐标进行微调，一些分类得分较低的候选框则先被排除掉，如右下角所示。但是，此时仍旧存在着多个候选框对同一目标有着正确的分类结果以及还不错的定位结果，这里则需要使用非极大抑制的方法来进一步决定哪些候选框被排除掉。最终经过非极大值抑制的过程，许多多余的候选框会被排除掉，对于同一个目标只会保留一个候选框。
基于深度学习的遥感影像目标检测算法研究12图2.3两阶段目标检测的算法流程图非极大值抑制的算法具体流程如下所示：（1）将所有候选框统一按照分类置信度从高到低进行排序，然后选中其中置信度最高的候选框。（2）计算选中候选框与余下所有候选框之间的IoU值，排除掉IoU大于阈值的候选框。（3）对余下的所有候选框重复上述1-2步骤。另有常用的Soft-NMS方法，在筛选候选框的过程中不直接排除候选框，而是降低候选框的置信度[50]。2.2.3边框回归图2.4边框回归的示意图边框回归（Bounding-Boxregression）的目的就是使候选框的位置回归到更接近真实基准框的位置。对于窗口一般使用四维向量(x,y,w,h)来表示，其中（x,y）表示边框的中心位置坐标，（w,h）表示边框的宽和高。如图2.4,红色框P表示
【参考文献】：
期刊论文
[1]地质矿产勘查中遥感技术的运用[J]. 吴小斌,韩东亚. 世界有色金属. 2019(24)
[2]基于多特征融合的遥感图像河流目标检测算法[J]. 于晓升,吴成东,陈东岳,田子恒. 东北大学学报(自然科学版). 2012(11)
[3]可见光遥感图像中舰船目标检测方法[J]. 赵英海,吴秀清,闻凌云,徐守时. 光电工程. 2008(08)
[4]高光谱遥感的发展及其对军事装备的威胁[J]. 张朝阳,程海峰,陈朝辉,郑文伟. 光电技术应用. 2008(01)
[5]遥感图像分类方法综述[J]. 王一达,沈熙玲,谢炯. 遥感信息. 2006(05)
[6]遥感技术在灾害监测中的应用[J]. 黄小雪,罗麟,程香菊. 四川环境. 2004(06)
[7]农作物长势综合遥感监测方法[J]. 吴炳方,张峰,刘成林,张磊,罗治敏. 遥感学报. 2004(06)
硕士论文
[1]中低分辨率光学遥感图像舰船目标检测算法研究[D]. 李文武.国防科学技术大学 2008
[2]基于地物波谱数据库的分类识别研究[D]. 阮建武.吉林大学 2004
本文编号：3117051
【文章来源】： 申原 中国科学院大学(中国科学院深圳先进技术研究院)
【文章页数】：62 页
【学位级别】：硕士
【部分图文】：
边界框交并集的概念示意图
第2章基于深度学习的目标检测算法11靠的越近，IoU就会越大，直到如中间的两个矩形的情况，此时的IoU已经是两个矩形之间的最大值了，此时从位置关系上来讲，它们已经是最接近的了，不过这个时候就看出来，只有当两个矩形越相似的时候，其IoU才可以继续增大。IoU在目标检测中占据十分重要的地位，它可以刻画两个矩形之间的位置关系和相似程度。图2-2IoU描述位置关系和相似程度2.2.2非极大值抑制非极大值抑制（NonMaximumSuppression，NMS）是目标检测算法中必不可少的重要组成部分。在目标检测算法中为了尽可能的召回目标，减少漏检，会生成成千上万个候选框，而这些候选框中只有一个结果可以作为最终的预测值，这里就需要用到非极大值抑制。如图2.3所示，是两步走算法的一个大致流程图，里面涉及到许多关于边框的计算，首先通过区域建议网络，生成一系列的候选框，如右上角所示。然后网络对这一系列的候选框进行分类，并对其坐标进行微调，一些分类得分较低的候选框则先被排除掉，如右下角所示。但是，此时仍旧存在着多个候选框对同一目标有着正确的分类结果以及还不错的定位结果，这里则需要使用非极大抑制的方法来进一步决定哪些候选框被排除掉。最终经过非极大值抑制的过程，许多多余的候选框会被排除掉，对于同一个目标只会保留一个候选框。
基于深度学习的遥感影像目标检测算法研究12图2.3两阶段目标检测的算法流程图非极大值抑制的算法具体流程如下所示：（1）将所有候选框统一按照分类置信度从高到低进行排序，然后选中其中置信度最高的候选框。（2）计算选中候选框与余下所有候选框之间的IoU值，排除掉IoU大于阈值的候选框。（3）对余下的所有候选框重复上述1-2步骤。另有常用的Soft-NMS方法，在筛选候选框的过程中不直接排除候选框，而是降低候选框的置信度[50]。2.2.3边框回归图2.4边框回归的示意图边框回归（Bounding-Boxregression）的目的就是使候选框的位置回归到更接近真实基准框的位置。对于窗口一般使用四维向量(x,y,w,h)来表示，其中（x,y）表示边框的中心位置坐标，（w,h）表示边框的宽和高。如图2.4,红色框P表示
【参考文献】：
期刊论文
[1]地质矿产勘查中遥感技术的运用[J]. 吴小斌,韩东亚. 世界有色金属. 2019(24)
[2]基于多特征融合的遥感图像河流目标检测算法[J]. 于晓升,吴成东,陈东岳,田子恒. 东北大学学报(自然科学版). 2012(11)
[3]可见光遥感图像中舰船目标检测方法[J]. 赵英海,吴秀清,闻凌云,徐守时. 光电工程. 2008(08)
[4]高光谱遥感的发展及其对军事装备的威胁[J]. 张朝阳,程海峰,陈朝辉,郑文伟. 光电技术应用. 2008(01)
[5]遥感图像分类方法综述[J]. 王一达,沈熙玲,谢炯. 遥感信息. 2006(05)
[6]遥感技术在灾害监测中的应用[J]. 黄小雪,罗麟,程香菊. 四川环境. 2004(06)
[7]农作物长势综合遥感监测方法[J]. 吴炳方,张峰,刘成林,张磊,罗治敏. 遥感学报. 2004(06)
硕士论文
[1]中低分辨率光学遥感图像舰船目标检测算法研究[D]. 李文武.国防科学技术大学 2008
[2]基于地物波谱数据库的分类识别研究[D]. 阮建武.吉林大学 2004
本文编号：3117051
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3117051.html
