基于深度学习的高分辨率遥感影像目标检测方法研究
发布时间：2021-10-15 02:02
高分辨率遥感影像目标检测在遥感图像分析解译、高分遥感图像应用等方面扮演重要角色,在军事和民用方面都有很多应用如灾害预测、资源勘查、海事渔业、交通监管等。传统的目标检测方法主要是利用一些传统的手工的特征（如HOG、SIFT、Gabor等）、滑动窗口和分类器实现。传统的手工特征依赖于专业领域知识以及数据本身的特性,并且计算量大,速度慢,适用于特定的、数据量较小的图像数据集。随着遥感影像分辨率不断提升,数据量不断增大,传统的手工特征方法已越来越难以满足遥感影像目标检测的需要,因而需要寻求一种能够从大量图像数据集里快速高效进行目标检测的算法。近年来,深度学习作为一种热门技术,能够自动从图像数据中提取特征,在自然语言处理、语音识别和计算机视觉领域取得了巨大的成功,这为遥感影像目标检测带来了新进展。本文在对遥感图像目标检测和深度学习相关理论进行充分研究的基础上,总结了遥感影像目标检测的主要难点和现有方法存在的问题,重点研究了基于深度卷积神经网络的高分辨率遥感影像的目标检测方法,主要工作如下:（1）针对传统目标检测方法使用滑动窗口产生候选区域,同时使用传统手工特征进行目标检测从而导致检测准确率低、窗...
【文章来源】：中国科学院大学(中国科学院遥感与数字地球研究所)北京市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
当前的高分辨率遥感卫星及其分辨率统计
图 1.2 目标检测框架如图 1.2 所示，目标检测处理流程可划分为区域选择、特征提取、分类三个步骤：区域选择是从图像中选择一部分可能包含目标的候选区域，传是使用滑动窗；特征提取是对候选区域提取特征以便进行后续的类别判定性的特征有 SIFT(scale-invariantfeaturetransform)[4]、Haar[5]、HOG(histogoriented gradient)[6]等；分类器分类即使用分类器对提取到的特征进行判 表 性 的 分 类 器 有 AdaBoost[7]、 SVM( support vector machine)[8]M(deformablepartsmodel)[9]、RF(randomforest)[10]等。其中，特征提取是标检测效果的重要因素，很多工作都围绕特征提取展开，按照特征提取方同，目标检测方法可以划分为基于传统手工特征的目标检测方法和基于深度的目标检测方法。
第 2 章 深度学习的理论和方法的连接权重以及激活函数的不同而得到不同的输出结果。神经网络的训练就是让其通过学习神经元之间的连接权重来反映训练数据的分布情况，进而对未知数据具有特征提取和判别能力。网络结构和各神经元连接权重的训练算法是人工神经网络的关键。
【参考文献】：
期刊论文
[1]基于集成卷积神经网络的肺部肿瘤计算机辅助诊断模型[J]. 王媛媛,周涛,陆惠玲,吴翠颖,杨鹏飞. 生物医学工程学杂志. 2017(04)
[2]双通道卷积神经网络在静态手势识别中的应用[J]. 冯家文,张立民,邓向阳. 计算机工程与应用. 2018(14)
[3]一种飞机目标的遥感识别方法[J]. 殷文斌,王成波,袁翠,乔彦友. 测绘通报. 2017(03)
[4]基于多结构卷积神经网络的高分遥感影像飞机目标检测[J]. 姚相坤,万里红,霍宏,方涛. 计算机工程. 2017(01)
[5]基于加权纹理特征的SAR图像目标识别算法[J]. 张国刚,徐向辉. 国外电子测量技术. 2015(09)
[6]基于视觉单词选择的高分辨率遥感图像飞机目标检测[J]. 李士进,仇建斌,於慧. 数据采集与处理. 2014(01)
[7]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[8]HOG特征混合模型结合隐SVM的感兴趣目标检测定位算法[J]. 胡正平,杨建秀. 信号处理. 2011(08)
[9]一种基于聚类技术的选择性神经网络集成方法[J]. 李凯,黄厚宽. 计算机研究与发展. 2005(04)
博士论文
[1]高分辨率光学遥感图像中典型人造目标检测技术研究[D]. 王慧利.中国科学院长春光学精密机械与物理研究所 2017
硕士论文
[1]卷积神经网络在遥感目标识别中的应用研究[D]. 殷文斌.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]基于集成卷积神经网络的人脸性别识别研究[D]. 吴泽银.华南理工大学 2016
[3]基于改进的SIFT特征匹配方法在目标识别中的应用研究[D]. 李文凤.沈阳理工大学 2015
[4]基于HOG特征的目标识别算法研究[D]. 尚俊.华中科技大学 2012
[5]遥感图像目标检测[D]. 黄姗.西安电子科技大学 2010
本文编号：3437224
【文章来源】：中国科学院大学(中国科学院遥感与数字地球研究所)北京市
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
当前的高分辨率遥感卫星及其分辨率统计
图 1.2 目标检测框架如图 1.2 所示，目标检测处理流程可划分为区域选择、特征提取、分类三个步骤：区域选择是从图像中选择一部分可能包含目标的候选区域，传是使用滑动窗；特征提取是对候选区域提取特征以便进行后续的类别判定性的特征有 SIFT(scale-invariantfeaturetransform)[4]、Haar[5]、HOG(histogoriented gradient)[6]等；分类器分类即使用分类器对提取到的特征进行判 表 性 的 分 类 器 有 AdaBoost[7]、 SVM( support vector machine)[8]M(deformablepartsmodel)[9]、RF(randomforest)[10]等。其中，特征提取是标检测效果的重要因素，很多工作都围绕特征提取展开，按照特征提取方同，目标检测方法可以划分为基于传统手工特征的目标检测方法和基于深度的目标检测方法。
第 2 章 深度学习的理论和方法的连接权重以及激活函数的不同而得到不同的输出结果。神经网络的训练就是让其通过学习神经元之间的连接权重来反映训练数据的分布情况，进而对未知数据具有特征提取和判别能力。网络结构和各神经元连接权重的训练算法是人工神经网络的关键。
【参考文献】：
期刊论文
[1]基于集成卷积神经网络的肺部肿瘤计算机辅助诊断模型[J]. 王媛媛,周涛,陆惠玲,吴翠颖,杨鹏飞. 生物医学工程学杂志. 2017(04)
[2]双通道卷积神经网络在静态手势识别中的应用[J]. 冯家文,张立民,邓向阳. 计算机工程与应用. 2018(14)
[3]一种飞机目标的遥感识别方法[J]. 殷文斌,王成波,袁翠,乔彦友. 测绘通报. 2017(03)
[4]基于多结构卷积神经网络的高分遥感影像飞机目标检测[J]. 姚相坤,万里红,霍宏,方涛. 计算机工程. 2017(01)
[5]基于加权纹理特征的SAR图像目标识别算法[J]. 张国刚,徐向辉. 国外电子测量技术. 2015(09)
[6]基于视觉单词选择的高分辨率遥感图像飞机目标检测[J]. 李士进,仇建斌,於慧. 数据采集与处理. 2014(01)
[7]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
[8]HOG特征混合模型结合隐SVM的感兴趣目标检测定位算法[J]. 胡正平,杨建秀. 信号处理. 2011(08)
[9]一种基于聚类技术的选择性神经网络集成方法[J]. 李凯,黄厚宽. 计算机研究与发展. 2005(04)
博士论文
[1]高分辨率光学遥感图像中典型人造目标检测技术研究[D]. 王慧利.中国科学院长春光学精密机械与物理研究所 2017
硕士论文
[1]卷积神经网络在遥感目标识别中的应用研究[D]. 殷文斌.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
[2]基于集成卷积神经网络的人脸性别识别研究[D]. 吴泽银.华南理工大学 2016
[3]基于改进的SIFT特征匹配方法在目标识别中的应用研究[D]. 李文凤.沈阳理工大学 2015
[4]基于HOG特征的目标识别算法研究[D]. 尚俊.华中科技大学 2012
[5]遥感图像目标检测[D]. 黄姗.西安电子科技大学 2010
本文编号：3437224
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3437224.html
