光学遥感影像多尺度稠密目标检测方法研究与实现

发布时间：2021-11-04 13:37

　　随着遥感信息技术和视觉智能技术的不断发展,遥感目标检测技术持续在诸多领域提供服务。国内外的研究学者进行了大量基于传统特征提取方法和深度学习的遥感目标检测方法的研究。然而现有的目标检测方法仍存在以下不足:（1）传统目标检测方法的特征表征能力较浅,且候选区域生成算法计算性能较低。（2）现有的深度学习检测算法泛化能力较弱,仅适用于特定的目标类型,难以解决光学遥感影像中存在的目标尺度不一、稠密聚集等挑战。因此目前的光学遥感影像目标检测算法仍有广阔的发展空间,研究更高效的检测算法具有重要的学术和应用价值。本文分析了当前目标检测方法与理论的不足,研究了任意角度遥感目标的检测技术,设计了适用于多种尺度和稠密度的遥感目标检测网络,实验了多种方法来增强检测网络的空间变换能力。具体工作内容如下:（1）针对光学遥感影像稠密目标检测中存在的错检漏检较多的难点,通过对稠密目标特征的分析,设计了联合分支四边框检测框架RA-CNN,由并列的垂直框和任意四边框分支共同参与网络权重的优化。设计了候选区域的自适应ROI特征提取方法,在背景噪声抑制与空间信息保留之间取得平衡,并通过全局大卷积模块实现了对ROI上下文信息的获... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【部分图文】：

光学遥感影像类别差异综上所述，遥感目标检测技术在不断地快速发展，持续为人类的诸多方面进行服

图2.1 目标检测的基本流程于深度学习的目标检测算法遥感图像目标检测中常使用的机器学习方法通过串联特征提取与分类流水线，两个部分独自处理。而基于深度学习的目标检测算法能够将串打通，可以实现端到端地训练。深度学习目标检测网络的设计与传统目类似，即首先在给定的图像上产生一些候选的区域，然后对这些候选区征，最后根据特征进行分类。与手工特征不同的是深度学习的特征通过学习。由于深度学习强大的特征表示能力，使得目标的分类可以采用轻x 分类器进行分类。2.1 经典分类网络. VGG

Residualblock结构

【参考文献】：
期刊论文
[1]一种高分辨率遥感图像舰船检测方法研究[J]. 孙皓,孙显,王宏琦.  测绘科学. 2013(05)



本文编号：3475839