基于卷积神经网络的SAR图像目标检测技术研究
发布时间：2021-09-17 17:33
合成孔径雷达图像目标检测在SAR图像解译中占有重要地位,随着SAR成像技术的更新发展,目标检测技术成为战场环境侦察、地球科学遥感等领域中的重要研究方向。SAR数据采集能力的日益成熟,使得对效率高、性能佳的SAR图像处理与解译技术的需要更加迫切。得益于深度学习在计算机视觉领域的迅速发展,传统方法提取特征耗时长、适应性差的局限性能够被深度神经网络对复杂数据的自动表征能力弥补。本文通过分析深度学习在SAR图像目标检测领域应用的难点对相关研究现状和应用情况进行归纳,从两方面改进了基于候选区域提取的双阶段检测方法以及基于边框回归的单阶段检测方法。具体研究工作如下:1、以神经网络的建模过程为切入点,从卷积层、池化层及Softmax分类器角度详细阐述卷积神经网络的核心组成部分,并对反向传播算法进行推导。之后结合两类典型检测器Faster RCNN和SSD的实现流程进行深入研究,分析了两类检测器中共有的边框回归和默认框匹配策略。2、针对复杂大场景下SAR图像目标检测中小尺度、部分排列密集目标漏检严重、存在大量虚警的问题,利用密集特征融合思想来增加候选区域提取的多样性,同时结合候选框的上下文信息辅助小目...
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
深度学习发展脉络图
国防科技大学研究生院硕士学位论文第6页一类是基于候选区域的两阶段目标检测识别方法；第二类是基于区域回归的单阶段目标检测识别方法。两类的方法的差异可由下图体现：第一类方法先对候选区域提取再对其进行检测分类，因此也可称为两阶段检测方法；而第二类方法直接将检测问题视为边框回归问题，因此也称为单阶段检测方法。(a)基于候选区域的两阶段目标检测框架(b)基于区域回归的单阶段目标检测框架图1.2两种检测框架对比图基于区域建议（RegionProposal）的目标检测这类算法的主要步骤是：通过SelectiveSearch(SS)[32]、Bing[33]、EdgeBoxes[34]这些目标候选区域生成算法，生成一系列候选目标区域，然后通过卷积神经网络提取目标候选区域的特征，并用这些特征进行分类以及目标真实边界框的回归。针对传统检测滑窗方式计算量大的问题，区域建议能减少很多不必要的识别过程，降低了时间复杂度且比固定长宽比的滑动窗口质量更高。得益于卷积神经网络在ImageNet[31]分类任务上取得的出色识别效果，2014年，RossGirshick使用目标候选区域和CNN相结合的方法打破了传统目标检测使用的滑动窗口和手工设计特征复杂度高的局限性，设计了R-CNN[35]框架。该方法先对待测图像提取特征再送入支持向量机中分类和全连接网络回归坐标位置，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。但由于R-CNN中单张图片生成的候选区域过多，而且每判断一次候选区域就要将图片进行区域提取再送入深度神经网络，使得算法效率不高。随后，RossGirshick在R-CNN的基础上提出了FastR-CNN[36]算法，直接在图像对应的深度特征图上提取候选区域的特征图，并用这个特征图来做后续的识别
国防科技大学研究生院硕士学位论文第13页图2.1神经元示意图其中123x,x,x表示神经元的输入，123w,w,w为相应的权重，b为偏置，f()表示激活函数。神经元的集合组成了神经网络，在网络设计时为避免前向传播的无限循环，神经网络以无环图的方式连接。典型的深度前馈神经网络均由多隐层、全连接且有向无环的拓扑形式构成。如图2.2所示，每个纵向代表神经网络的层，每层都以前一层为输入，输出的结果被传入下一层。这个简单的神经网络由输入层、两个隐含层以及输出层组成。其中每层中的神经元均与前后两层神经元成对连接，且层内各神经元之间不存在相互连接。图2.2神经网络连接模型通常现实应用中的神经网络通过增加节点数扩充维度增强网络的线性转换能力，通过增加网络层数增加非线性特征的提取能力。随着网络层数的加深和卷积尺寸的多样化，丰富的数学运算不但扩充了网络的容量，也使网络对可分性判别特征的学习能力增强。但用不足的样本训练过于复杂的网络时会导致过拟合。过拟合指网络对训练数据的拟合能力过强，会忽略数据本身的基本关系而将不相关因素如噪声作为类别判断的依据，从而导致网络对已知数据分类效果很好但对未知测试数据不能正确识别的现象。为弱化训练数据量的限制以及参数的指数增长
【参考文献】：
期刊论文
[1]中国海洋卫星及应用进展[J]. 蒋兴伟,林明森,张有广. 遥感学报. 2016(05)
[2]影响星载SAR舰船检测的关键因素[J]. 冷祥光,计科峰,宋海波,邹焕新. 遥感信息. 2016(01)
[3]基于卷积神经网络的正则化方法[J]. 吕国豪,罗四维,黄雅平,蒋欣兰. 计算机研究与发展. 2014(09)
[4]光学遥感图像舰船目标检测与识别综述[J]. 王彦情,马雷,田原. 自动化学报. 2011(09)
[5]基于G0分布的高海况SAR船只目标检测方法[J]. 鲁统臻,张杰,纪永刚,张晰,孟俊敏. 海洋科学进展. 2011(02)
[6]SAR图像目标检测研究综述[J]. 高贵,周蝶飞,蒋咏梅,匡纲要. 信号处理. 2008(06)
[7]SAR图像自动目标识别系统研究与设计[J]. 袁礼海,宋建社,薛文通,赵伟舟. 计算机应用研究. 2006(11)
[8]SAR图象自动目标识别研究[J]. 匡纲要,计科峰,粟毅,郁文贤. 中国图象图形学报. 2003(10)
博士论文
[1]SAR图像机动目标检测与鉴别技术研究[D]. 李禹.国防科学技术大学 2007
硕士论文
[1]合成孔径雷达图像恒虚警目标检测[D]. 李岚.中国科学院电子学研究所 2001
本文编号：3399195
【文章来源】：国防科技大学湖南省 211工程院校 985工程院校
【文章页数】：88 页
【学位级别】：硕士
【部分图文】：
深度学习发展脉络图
国防科技大学研究生院硕士学位论文第6页一类是基于候选区域的两阶段目标检测识别方法；第二类是基于区域回归的单阶段目标检测识别方法。两类的方法的差异可由下图体现：第一类方法先对候选区域提取再对其进行检测分类，因此也可称为两阶段检测方法；而第二类方法直接将检测问题视为边框回归问题，因此也称为单阶段检测方法。(a)基于候选区域的两阶段目标检测框架(b)基于区域回归的单阶段目标检测框架图1.2两种检测框架对比图基于区域建议（RegionProposal）的目标检测这类算法的主要步骤是：通过SelectiveSearch(SS)[32]、Bing[33]、EdgeBoxes[34]这些目标候选区域生成算法，生成一系列候选目标区域，然后通过卷积神经网络提取目标候选区域的特征，并用这些特征进行分类以及目标真实边界框的回归。针对传统检测滑窗方式计算量大的问题，区域建议能减少很多不必要的识别过程，降低了时间复杂度且比固定长宽比的滑动窗口质量更高。得益于卷积神经网络在ImageNet[31]分类任务上取得的出色识别效果，2014年，RossGirshick使用目标候选区域和CNN相结合的方法打破了传统目标检测使用的滑动窗口和手工设计特征复杂度高的局限性，设计了R-CNN[35]框架。该方法先对待测图像提取特征再送入支持向量机中分类和全连接网络回归坐标位置，使得目标检测取得巨大突破，并开启了基于深度学习目标检测的热潮。但由于R-CNN中单张图片生成的候选区域过多，而且每判断一次候选区域就要将图片进行区域提取再送入深度神经网络，使得算法效率不高。随后，RossGirshick在R-CNN的基础上提出了FastR-CNN[36]算法，直接在图像对应的深度特征图上提取候选区域的特征图，并用这个特征图来做后续的识别
国防科技大学研究生院硕士学位论文第13页图2.1神经元示意图其中123x,x,x表示神经元的输入，123w,w,w为相应的权重，b为偏置，f()表示激活函数。神经元的集合组成了神经网络，在网络设计时为避免前向传播的无限循环，神经网络以无环图的方式连接。典型的深度前馈神经网络均由多隐层、全连接且有向无环的拓扑形式构成。如图2.2所示，每个纵向代表神经网络的层，每层都以前一层为输入，输出的结果被传入下一层。这个简单的神经网络由输入层、两个隐含层以及输出层组成。其中每层中的神经元均与前后两层神经元成对连接，且层内各神经元之间不存在相互连接。图2.2神经网络连接模型通常现实应用中的神经网络通过增加节点数扩充维度增强网络的线性转换能力，通过增加网络层数增加非线性特征的提取能力。随着网络层数的加深和卷积尺寸的多样化，丰富的数学运算不但扩充了网络的容量，也使网络对可分性判别特征的学习能力增强。但用不足的样本训练过于复杂的网络时会导致过拟合。过拟合指网络对训练数据的拟合能力过强，会忽略数据本身的基本关系而将不相关因素如噪声作为类别判断的依据，从而导致网络对已知数据分类效果很好但对未知测试数据不能正确识别的现象。为弱化训练数据量的限制以及参数的指数增长
【参考文献】：
期刊论文
[1]中国海洋卫星及应用进展[J]. 蒋兴伟,林明森,张有广. 遥感学报. 2016(05)
[2]影响星载SAR舰船检测的关键因素[J]. 冷祥光,计科峰,宋海波,邹焕新. 遥感信息. 2016(01)
[3]基于卷积神经网络的正则化方法[J]. 吕国豪,罗四维,黄雅平,蒋欣兰. 计算机研究与发展. 2014(09)
[4]光学遥感图像舰船目标检测与识别综述[J]. 王彦情,马雷,田原. 自动化学报. 2011(09)
[5]基于G0分布的高海况SAR船只目标检测方法[J]. 鲁统臻,张杰,纪永刚,张晰,孟俊敏. 海洋科学进展. 2011(02)
[6]SAR图像目标检测研究综述[J]. 高贵,周蝶飞,蒋咏梅,匡纲要. 信号处理. 2008(06)
[7]SAR图像自动目标识别系统研究与设计[J]. 袁礼海,宋建社,薛文通,赵伟舟. 计算机应用研究. 2006(11)
[8]SAR图象自动目标识别研究[J]. 匡纲要,计科峰,粟毅,郁文贤. 中国图象图形学报. 2003(10)
博士论文
[1]SAR图像机动目标检测与鉴别技术研究[D]. 李禹.国防科学技术大学 2007
硕士论文
[1]合成孔径雷达图像恒虚警目标检测[D]. 李岚.中国科学院电子学研究所 2001
本文编号：3399195
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3399195.html
