基于深度学习的光学遥感图像目标检测研究与应用

发布时间：2021-05-05 21:54

　　随着遥感技术的迅速发展,遥感图像的应用范围日趋广泛。近些年,光学遥感图像的分辨率迅速提高、遥感图像数据量激增,使得遥感图像中的精细目标检测变得可能,遥感图像的应用不再局限于以往粗糙的遥感图像分类。然而,现有的遥感图像目标检测技术在精度、通用性、效率等方面还达到实际应用的要求。与此同时,基于深度学习的计算机视觉技术正在迅速发展,在多个领域达到了远超传统算法的效果,具有精度高、适应性强等诸多优势。已经被用于诸如人脸识别、行人检测,智能监控等等众多场合。故为改善现有的遥感图像目标检测技术性能不足的问题,本文研究了基于深度学习的光学遥感图像目标检测算法。在基于区域建议的深度学习目标检测算法的基础上,提出了一种适于高分辨率光学遥感图像的多类目标检测方法MS-FRCNN。针对遥感图像中小目标多、目标尺度多变导致检测模型容易漏检的问题,借鉴特征金字塔网的思路,利用融合后的多层特征进行检测。针对背景复杂、目标存在形变等挑战,借鉴可变形卷积网络更好地提取目标本身的特征,减少背景干扰;另外,采用改进的NMS算法更好的处理边框易重叠的目标。通过实验表明,所提出的改进方法具有精度较高、泛化能力强等优点,在公开... 

【文章来源】：南京邮电大学江苏省

【文章页数】：63 页

【学位级别】：硕士

【文章目录】：
摘要
abstract
第一章 绪论
    1.1 课题研究的背景与意义
    1.2 存在的难点与挑战
    1.3 国内外研究现状与发展
    1.4 本文的内容与安排
第二章 基于深度学习目标检测技术理论基础
    2.1 深度学习概述
    2.2 卷积神经网络
        2.2.1 常用的卷积神经网络模型与发展趋势
        2.2.2 用于目标检测的重要操作
    2.3 基于深度学习的目标检测模型
        2.3.1 基于区域建议的方法
        2.3.2 基于回归的方法
        2.3.3 多任务模型方法
    2.4 本章小结
第三章 基于区域建议的遥感目标检测方法
    3.1 引言
    3.2 基础网络选择
    3.3 融合高低层特征
    3.4 增强形变目标检测能力
        3.4.1 可变形卷积
        3.4.2 可变形候选区池化
    3.5 改进的非极大值抑制算法
    3.6 实验与结果分析
        3.6.1 实验条件
        3.6.2 实验数据
        3.6.3 模型训练
        3.6.4 评价标准
        3.6.5 实验结果与分析
    3.7 本章小结
第四章 融合语义分割的遥感目标检测方法
    4.1 引言
    4.2 语义分割
    4.3 方法描述
        4.3.1 思路描述
        4.3.2 方案设计
    4.4 实验与结果分析
        4.4.1 实验数据与模型训练
        4.4.2 实验结果与分析
    4.5 本章小节
第五章 总结与展望
    5.1 本文工作总结
    5.2 展望
参考文献
附录1 攻读硕士学位期间撰写的论文
致谢


【参考文献】：
期刊论文
[1]基于多尺度形变特征卷积网络的高分辨率遥感影像目标检测[J]. 邓志鹏,孙浩,雷琳,周石琳,邹焕新.  测绘学报. 2018(09)
[2]一种高分辨率遥感图像视感知目标检测算法[J]. 李策,张亚超,蓝天,杜少毅.  西安交通大学学报. 2018(06)
[3]基于可见光遥感图像的船只目标检测识别方法[J]. 陈亮,王志茹,韩仲,王冠群,周浩天,师皓,胡程,龙腾.  科技导报. 2017(20)



本文编号：3170648