高分辨率可见光遥感图像船舶目标数据增强方法研究
发布时间：2021-11-16 08:02
高分辨率可见光遥感图像丰富多样的地物信息推动了遥感图像目标检测技术的发展。作为海上交通、海洋资源探测的重要载体,海面船舶目标的快速准确检测在军民领域具有重要意义。为满足船舶检测不断提高的精度需求,当前检测方法已逐渐从传统的视觉显著性阈值分割过渡到以深度学习为代表的数据驱动检测方法。为满足在存储、能耗等资源受限的移动端实时处理应用需求,轻量级深度学习模型由于能够大幅减少计算量被逐渐应用于船舶检测任务中。其中,稀疏Mobile Net V2是课题组经过前期实验与研究积累的面向遥感在轨处理的方法,能够有效实现平静海面下船舶快速高精度检测,然而,由于其训练集中缺乏船舶目标和正负样本类不平衡的问题,导致检测模型在复杂的云干扰场景下易陷入过拟合。数据增强是一种对有限训练数据通过某种变换得到更多数据的技术,可以从原始数据角度出发在一定程度上解决船舶目标检测的过拟合问题。本文提出一种样本空间与特征空间联合的数据增强方法（Space Association Data Augmentation,SADA）,通过从样本数据变换和特征空间拟合的角度丰富数据集,实现对船舶图像的增强与补充,具体研究内容如下:（1...
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
不同分辨率的
哈尔滨工业大学工学硕士学位论文-6-（3）多方向问题：地面拍摄的常规图像中的目标，如行人、车辆等基本都是直立状态。而遥感图像采用俯视拍摄，目标方向呈随机360°分布，对应的目标检测方法需要对方向具有鲁棒性[91-93]。（4）背景复杂度高：遥感图像通常幅宽较大，成像范围较广，所覆盖的地面背景区域更为复杂多变[94]。（5）干扰因素多变：由于遥感卫星搭载的相机在拍摄时易受天气、光照、拍摄角度等因素影响，可能导致部分图像中存在阴影、云层和薄雾等干扰[95]。（a）行人（b）车辆（c）交通标志图1-3自然场景下的目标图像（a）船舶（b）飞机（c）车辆图1-4遥感场景下的目标图像以上特点导致可见光遥感图像的目标检测存在极大的挑战。船舶、飞机目标不同于建筑等人造目标，其尺寸较小，只有足够的分辨率才能对其检测提供足够的信息[2]。对于本文研究的高分辨率遥感船舶图像，除了满足遥感图像所具备的基本特点外，还具有如下五点特殊性：（1）小目标问题。受人造船舶自身尺寸及卫星分辨率发展限制，遥感拍摄的船很多都是小目标（几十个甚至几个像素），目标所包含信息量和特征较少。（2）移动特性。不同于地标建筑、岛屿等目标在地理空间位置上保持较长时间静止不动，船舶目标的航行速度会对成像结果造成较大影响。（3）高类内差。本文中的类内差是指同类中不同船舶间的差异。图1-5展示了几种不同的船舶目标。根据不同的用途，不同船舶在形状、纹理结构、速度、方向、角度等方面差别较大，导致其在图像中的特征差异较大[96]。高类内差使得检测算法难以从可见光遥感船舶目标图像中学习鲁棒性强且有判别力的特征[9]。（4）低类间差。本文中的类间差是指船舶图像与海面、云雾图像间的差异。由于海域环境的特殊性，船舶目标极易受?
较蛭侍猓旱孛媾纳愕某９嫱枷裰械哪勘辏?缧腥恕⒊盗镜然?径际?直立状态。而遥感图像采用俯视拍摄，目标方向呈随机360°分布，对应的目标检测方法需要对方向具有鲁棒性[91-93]。（4）背景复杂度高：遥感图像通常幅宽较大，成像范围较广，所覆盖的地面背景区域更为复杂多变[94]。（5）干扰因素多变：由于遥感卫星搭载的相机在拍摄时易受天气、光照、拍摄角度等因素影响，可能导致部分图像中存在阴影、云层和薄雾等干扰[95]。（a）行人（b）车辆（c）交通标志图1-3自然场景下的目标图像（a）船舶（b）飞机（c）车辆图1-4遥感场景下的目标图像以上特点导致可见光遥感图像的目标检测存在极大的挑战。船舶、飞机目标不同于建筑等人造目标，其尺寸较小，只有足够的分辨率才能对其检测提供足够的信息[2]。对于本文研究的高分辨率遥感船舶图像，除了满足遥感图像所具备的基本特点外，还具有如下五点特殊性：（1）小目标问题。受人造船舶自身尺寸及卫星分辨率发展限制，遥感拍摄的船很多都是小目标（几十个甚至几个像素），目标所包含信息量和特征较少。（2）移动特性。不同于地标建筑、岛屿等目标在地理空间位置上保持较长时间静止不动，船舶目标的航行速度会对成像结果造成较大影响。（3）高类内差。本文中的类内差是指同类中不同船舶间的差异。图1-5展示了几种不同的船舶目标。根据不同的用途，不同船舶在形状、纹理结构、速度、方向、角度等方面差别较大，导致其在图像中的特征差异较大[96]。高类内差使得检测算法难以从可见光遥感船舶目标图像中学习鲁棒性强且有判别力的特征[9]。（4）低类间差。本文中的类间差是指船舶图像与海面、云雾图像间的差异。由于海域环境的特殊性，船舶目标极易受云层遮挡等外界因素影响，前景与背景边界模糊，
【参考文献】：
期刊论文
[1]深度学习的遥感影像舰船目标检测[J]. 赵江洪,张晓光,杨璐,马思宇,王殷瑞,董岩,孙铭悦,陈朝阳. 测绘科学. 2020(03)
[2]基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用[J]. 杨龙,苏娟,李响. 兵工学报. 2019(12)
[3]星载高分辨频率步进SAR成像技术[J]. 龙腾,丁泽刚,肖枫,王岩,李喆. 雷达学报. 2019(06)
[4]可见光遥感图像海面目标检测技术综述[J]. 刘俊琦,李智,张学阳. 计算机科学. 2020(03)
[5]基于生成对抗网络的数据增强方法[J]. 张晓峰,吴刚. 计算机系统应用. 2019(10)
[6]基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 王生生,王萌,王光耀. 东北大学学报(自然科学版). 2019(02)
[7]变分自编码器模型综述[J]. 翟正利,梁振明,周炜,孙霞. 计算机工程与应用. 2019(03)
[8]基于优化分类的数据增广方法[J]. 蒋梦莹,林小竹,柯岩. 计算机工程与设计. 2018(11)
[9]基于约束EGO的对地观测卫星多学科设计优化[J]. 龙腾,刘建,陈余军,史人赫,袁斌,刘莉. 机械工程学报. 2018(10)
[10]深度学习的研究进展与发展[J]. 史加荣,马媛媛. 计算机工程与应用. 2018(10)
博士论文
[1]大幅宽光学遥感图像目标检测技术研究[D]. 聂婷.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于深度卷积神经网络的光学遥感目标检测技术研究[D]. 丁鹏.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]空间光学遥感影像的实时清晰度提升技术研究[D]. 邵帅.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[4]可见光遥感图像海面目标自动检测关键技术研究[D]. 徐芳.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
[5]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
[6]图像客观质量评价算法及其应用研究[D]. 张薇.中国矿业大学 2016
[7]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[8]引入上下文信息的可见光遥感图像目标检测与识别方法研究[D]. 郭军.国防科学技术大学 2014
[9]航天光学遥感器图像终端像质评价方法研究[D]. 顾营迎.中国科学院研究生院（长春光学精密机械与物理研究所） 2013
[10]遥感图像的目标检测方法研究[D]. 刘德连.西安电子科技大学 2008
硕士论文
[1]基于生成式对抗网络的数据增强方法研究[D]. 王海文.南京邮电大学 2019
[2]基于深度学习的盲图像质量评价算法研究[D]. 吴鑫.西安理工大学 2019
[3]基于生成对抗网络的雷达图像增强技术研究[D]. 米野.北京邮电大学 2019
[4]基于深度学习的光学遥感影像信息提取技术研究[D]. 张晓男.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[5]基于深度卷积神经网络的目标检测算法研究[D]. 周天怡.哈尔滨工业大学 2019
[6]基于深度学习的生成式模型研究[D]. 檀婧.北京邮电大学 2019
[7]深度对抗式数据增强技术在小规模数据集上的应用研究[D]. 张晓峰.中国科学技术大学 2019
[8]基于深度学习的遥感图像目标检测研究[D]. 李星悦.中国科学技术大学 2019
[9]对抗学习在神经网络模型优化中的研究[D]. 曹誉仁.电子科技大学 2019
[10]大面幅光学遥感影像飞行器目标快速检测[D]. 张作省.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
本文编号：3498469
【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校
【文章页数】：90 页
【学位级别】：硕士
【部分图文】：
不同分辨率的
哈尔滨工业大学工学硕士学位论文-6-（3）多方向问题：地面拍摄的常规图像中的目标，如行人、车辆等基本都是直立状态。而遥感图像采用俯视拍摄，目标方向呈随机360°分布，对应的目标检测方法需要对方向具有鲁棒性[91-93]。（4）背景复杂度高：遥感图像通常幅宽较大，成像范围较广，所覆盖的地面背景区域更为复杂多变[94]。（5）干扰因素多变：由于遥感卫星搭载的相机在拍摄时易受天气、光照、拍摄角度等因素影响，可能导致部分图像中存在阴影、云层和薄雾等干扰[95]。（a）行人（b）车辆（c）交通标志图1-3自然场景下的目标图像（a）船舶（b）飞机（c）车辆图1-4遥感场景下的目标图像以上特点导致可见光遥感图像的目标检测存在极大的挑战。船舶、飞机目标不同于建筑等人造目标，其尺寸较小，只有足够的分辨率才能对其检测提供足够的信息[2]。对于本文研究的高分辨率遥感船舶图像，除了满足遥感图像所具备的基本特点外，还具有如下五点特殊性：（1）小目标问题。受人造船舶自身尺寸及卫星分辨率发展限制，遥感拍摄的船很多都是小目标（几十个甚至几个像素），目标所包含信息量和特征较少。（2）移动特性。不同于地标建筑、岛屿等目标在地理空间位置上保持较长时间静止不动，船舶目标的航行速度会对成像结果造成较大影响。（3）高类内差。本文中的类内差是指同类中不同船舶间的差异。图1-5展示了几种不同的船舶目标。根据不同的用途，不同船舶在形状、纹理结构、速度、方向、角度等方面差别较大，导致其在图像中的特征差异较大[96]。高类内差使得检测算法难以从可见光遥感船舶目标图像中学习鲁棒性强且有判别力的特征[9]。（4）低类间差。本文中的类间差是指船舶图像与海面、云雾图像间的差异。由于海域环境的特殊性，船舶目标极易受?
较蛭侍猓旱孛媾纳愕某９嫱枷裰械哪勘辏?缧腥恕⒊盗镜然?径际?直立状态。而遥感图像采用俯视拍摄，目标方向呈随机360°分布，对应的目标检测方法需要对方向具有鲁棒性[91-93]。（4）背景复杂度高：遥感图像通常幅宽较大，成像范围较广，所覆盖的地面背景区域更为复杂多变[94]。（5）干扰因素多变：由于遥感卫星搭载的相机在拍摄时易受天气、光照、拍摄角度等因素影响，可能导致部分图像中存在阴影、云层和薄雾等干扰[95]。（a）行人（b）车辆（c）交通标志图1-3自然场景下的目标图像（a）船舶（b）飞机（c）车辆图1-4遥感场景下的目标图像以上特点导致可见光遥感图像的目标检测存在极大的挑战。船舶、飞机目标不同于建筑等人造目标，其尺寸较小，只有足够的分辨率才能对其检测提供足够的信息[2]。对于本文研究的高分辨率遥感船舶图像，除了满足遥感图像所具备的基本特点外，还具有如下五点特殊性：（1）小目标问题。受人造船舶自身尺寸及卫星分辨率发展限制，遥感拍摄的船很多都是小目标（几十个甚至几个像素），目标所包含信息量和特征较少。（2）移动特性。不同于地标建筑、岛屿等目标在地理空间位置上保持较长时间静止不动，船舶目标的航行速度会对成像结果造成较大影响。（3）高类内差。本文中的类内差是指同类中不同船舶间的差异。图1-5展示了几种不同的船舶目标。根据不同的用途，不同船舶在形状、纹理结构、速度、方向、角度等方面差别较大，导致其在图像中的特征差异较大[96]。高类内差使得检测算法难以从可见光遥感船舶目标图像中学习鲁棒性强且有判别力的特征[9]。（4）低类间差。本文中的类间差是指船舶图像与海面、云雾图像间的差异。由于海域环境的特殊性，船舶目标极易受云层遮挡等外界因素影响，前景与背景边界模糊，
【参考文献】：
期刊论文
[1]深度学习的遥感影像舰船目标检测[J]. 赵江洪,张晓光,杨璐,马思宇,王殷瑞,董岩,孙铭悦,陈朝阳. 测绘科学. 2020(03)
[2]基于生成式对抗网络的合成孔径雷达舰船数据增广在改进单次多盒检测器中的应用[J]. 杨龙,苏娟,李响. 兵工学报. 2019(12)
[3]星载高分辨频率步进SAR成像技术[J]. 龙腾,丁泽刚,肖枫,王岩,李喆. 雷达学报. 2019(06)
[4]可见光遥感图像海面目标检测技术综述[J]. 刘俊琦,李智,张学阳. 计算机科学. 2020(03)
[5]基于生成对抗网络的数据增强方法[J]. 张晓峰,吴刚. 计算机系统应用. 2019(10)
[6]基于深度神经网络剪枝的两阶段遥感图像目标检测[J]. 王生生,王萌,王光耀. 东北大学学报(自然科学版). 2019(02)
[7]变分自编码器模型综述[J]. 翟正利,梁振明,周炜,孙霞. 计算机工程与应用. 2019(03)
[8]基于优化分类的数据增广方法[J]. 蒋梦莹,林小竹,柯岩. 计算机工程与设计. 2018(11)
[9]基于约束EGO的对地观测卫星多学科设计优化[J]. 龙腾,刘建,陈余军,史人赫,袁斌,刘莉. 机械工程学报. 2018(10)
[10]深度学习的研究进展与发展[J]. 史加荣,马媛媛. 计算机工程与应用. 2018(10)
博士论文
[1]大幅宽光学遥感图像目标检测技术研究[D]. 聂婷.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[2]基于深度卷积神经网络的光学遥感目标检测技术研究[D]. 丁鹏.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[3]空间光学遥感影像的实时清晰度提升技术研究[D]. 邵帅.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[4]可见光遥感图像海面目标自动检测关键技术研究[D]. 徐芳.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
[5]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
[6]图像客观质量评价算法及其应用研究[D]. 张薇.中国矿业大学 2016
[7]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[8]引入上下文信息的可见光遥感图像目标检测与识别方法研究[D]. 郭军.国防科学技术大学 2014
[9]航天光学遥感器图像终端像质评价方法研究[D]. 顾营迎.中国科学院研究生院（长春光学精密机械与物理研究所） 2013
[10]遥感图像的目标检测方法研究[D]. 刘德连.西安电子科技大学 2008
硕士论文
[1]基于生成式对抗网络的数据增强方法研究[D]. 王海文.南京邮电大学 2019
[2]基于深度学习的盲图像质量评价算法研究[D]. 吴鑫.西安理工大学 2019
[3]基于生成对抗网络的雷达图像增强技术研究[D]. 米野.北京邮电大学 2019
[4]基于深度学习的光学遥感影像信息提取技术研究[D]. 张晓男.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2019
[5]基于深度卷积神经网络的目标检测算法研究[D]. 周天怡.哈尔滨工业大学 2019
[6]基于深度学习的生成式模型研究[D]. 檀婧.北京邮电大学 2019
[7]深度对抗式数据增强技术在小规模数据集上的应用研究[D]. 张晓峰.中国科学技术大学 2019
[8]基于深度学习的遥感图像目标检测研究[D]. 李星悦.中国科学技术大学 2019
[9]对抗学习在神经网络模型优化中的研究[D]. 曹誉仁.电子科技大学 2019
[10]大面幅光学遥感影像飞行器目标快速检测[D]. 张作省.中国科学院大学(中国科学院长春光学精密机械与物理研究所) 2018
本文编号：3498469
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3498469.html
