基于CNN的遥感影像中飞机检测方法研究
发布时间：2022-01-06 01:26
科技的进步使得在提高遥感影像分辨率方面有了重大的突破,高分辨率影像内部蕴含了大量的特征信息,尤其是在遥感领域研究中,需要重点分析影像中地物目标的空间结构和浅层的纹理特性,为提取出更加精细的地物边缘特征奠定基础。遥感图像目标检测是高分辨率遥感影像应用的主要范畴之一。飞机作为民用生活和军事作战中的一种关键目标,对其检测具有一定的理论意义和实用价值。本文首先采用深层卷积神经网络来提取高分辨率影像特征信息,根据地物特征的差异性进行场景分类。然后针对目前遥感影像中飞机检测结果不佳的问题,提出一种基于深度卷积神经网络的飞机检测方法,最终进行实验测试,完成机场场景下的飞机检测任务,并有效地改善了检测结果。主要工作内容及成果如下:第一,遥感影像场景识别分类。利用卷积神经网络良好的分类能力以及迁移学习的优势,提出了一种基于Inception-v4网络的PISC方法用以识别高分辨率遥感影像中的各类场景,从而得到机场场景。首先通过深度卷积神经网络Inception-v4在Image Net上训练,得到预训练模型以及相应的初始化参数,由此可以在很大程度上减少了训练时间的耗费,也能避免出现过拟合现象带来的分类准...
【文章来源】：河南大学河南省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
卫星航拍图
第2章相关理论知识及技术11池化层也称降采样层，常用的降采样方式有两种：最大池化(maxpooling)和平均池化(averagepooling)。以一定的步长在区域内选择最大值或平均值得到池化的结果，能够在减少数据量的同时保留有用的信息，使卷积神经网络具有抗畸变的能力。如图2-2为池化过程示意图。MaxpoolingorAveragepooling2x2filtersandstride2图2-2池化过程示意图非线性映射层——激活函数层，近似于人类大脑真实神经元的抑制行为，能够强化目标识别的能力。将图像在上一个卷积层的结果线性化合并后，在根据非线性映射函数获得激活后结果。常用的激活函数包括Sigmoid、Tanh、Relu等，如图2-3所示。图2-3激活函数
基于CNN的遥感影像中飞机检测方法研究203.3实验设计与结果分析3.3.1实验数据集实验采用UCMercedLandUse遥感图像数据集，选自美国USGS国家城市地图图像中的不同地区的航空遥感影像，该数据集由21个分类组成，影像的空间分辨率为1英尺,每个类别包含有100幅尺寸为256×256像素的影像。其中各个类别表征重复度较高，同种类别内的场景差异较大，相互不同种类的特征相近，因此UCMercedLandUse在航空航天影像研究中应用较为普遍，如图3-4所示。(a)机场(b)棒球场(c)海滩(d)建筑(e)森林(f)高尔夫球场(g)中等住宅区(h)停车场图3-4UCMercedLandUse遥感图像数据集的部分场景示例3.3.2实验设置选用目前应用较为广泛的Tensorflow框架作为本实验的开发环境，在配置为windows10、处理器为Intel(R)_Xeon(R)_CPU_E5-1603_v3_@_2.80GHz，内存为32GB的平台的计算机上进行运算。首先利用迁移学习，在ImageNet数据集上训练Inception-v4，获得预训练模型，保存在Inception-v4模型中已训练完成的全部参数，然后仅将全连接层进行更换。将高分辨率遥感影像输入网络，训练并调整参数，最后用Softmax分类器训练该特征。其中，模型学习率为0.0001，迭代次数为7000次，批尺寸(Batch_size)为30。为了更加客观的划分数据，减少人为因素，本次试验随机选取每类场景的80%作为训练集，验证集占总数据的10%，测试集也占总数据的10%。由TensorBoard[56]可视化本章实验所得数据，
【参考文献】：
期刊论文
[1]基于多尺度特征稠密连接的遥感图像目标检测方法[J]. 张裕,杨海涛,刘翔宇. 中国电子科学研究院学报. 2019(05)
[2]基于卷积神经网络与高光谱的鸡肉品质分类检测[J]. 王九清,邢素霞,王孝义,曹宇. 肉类研究. 2018(12)
[3]TensorFlow在图像识别系统中的应用[J]. 邢艳芳,段红秀,何光威. 计算机技术与发展. 2019(05)
[4]基于深度学习的国产高分遥感影像飞机目标自动检测[J]. 李淑敏,冯权泷,梁其椿,张学庆. 遥感技术与应用. 2018(06)
[5]基于密集卷积网络（DenseNets）的遥感图像分类研究[J]. 李达,李琳,李想. 计算机时代. 2018(10)
[6]基于卷积神经网络的遥感图像目标检测[J]. 欧攀,张正,路奎,刘泽阳. 激光与光电子学进展. 2019(05)
[7]改进的YOLOv3红外视频图像行人检测算法[J]. 王殿伟,何衍辉,李大湘,刘颖,许志杰,王晶. 西安邮电大学学报. 2018(04)
[8]基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究[J]. 杜剑,胡炳樑,刘永征,卫翠玉,张耿,唐兴佳. 光谱学与光谱分析. 2018(05)
[9]卷积神经网络迁移的高分影像场景分类学习[J]. 李冠东,张春菊,王铭恺,张雪英,高飞. 测绘科学. 2019(04)
[10]应用深度卷积神经网络的机场及机场内飞机目标识别技术[J]. 李耀龙,张永科,罗镇宝. 重庆理工大学学报(自然科学). 2018(03)
博士论文
[1]基于特征学习的高分辨率遥感图像场景分类研究[D]. 胡凡.武汉大学 2017
硕士论文
[1]基于YOLO的目标检测算法设计与实现[D]. 阮激扬.北京邮电大学 2019
[2]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
[3]基于深度学习的目标检测研究与应用[D]. 姚筑宇.北京邮电大学 2019
[4]遥感图像飞机目标检测与识别算法研究[D]. 高琪琪.南昌航空大学 2015
本文编号：3571436
【文章来源】：河南大学河南省
【文章页数】：63 页
【学位级别】：硕士
【部分图文】：
卫星航拍图
第2章相关理论知识及技术11池化层也称降采样层，常用的降采样方式有两种：最大池化(maxpooling)和平均池化(averagepooling)。以一定的步长在区域内选择最大值或平均值得到池化的结果，能够在减少数据量的同时保留有用的信息，使卷积神经网络具有抗畸变的能力。如图2-2为池化过程示意图。MaxpoolingorAveragepooling2x2filtersandstride2图2-2池化过程示意图非线性映射层——激活函数层，近似于人类大脑真实神经元的抑制行为，能够强化目标识别的能力。将图像在上一个卷积层的结果线性化合并后，在根据非线性映射函数获得激活后结果。常用的激活函数包括Sigmoid、Tanh、Relu等，如图2-3所示。图2-3激活函数
基于CNN的遥感影像中飞机检测方法研究203.3实验设计与结果分析3.3.1实验数据集实验采用UCMercedLandUse遥感图像数据集，选自美国USGS国家城市地图图像中的不同地区的航空遥感影像，该数据集由21个分类组成，影像的空间分辨率为1英尺,每个类别包含有100幅尺寸为256×256像素的影像。其中各个类别表征重复度较高，同种类别内的场景差异较大，相互不同种类的特征相近，因此UCMercedLandUse在航空航天影像研究中应用较为普遍，如图3-4所示。(a)机场(b)棒球场(c)海滩(d)建筑(e)森林(f)高尔夫球场(g)中等住宅区(h)停车场图3-4UCMercedLandUse遥感图像数据集的部分场景示例3.3.2实验设置选用目前应用较为广泛的Tensorflow框架作为本实验的开发环境，在配置为windows10、处理器为Intel(R)_Xeon(R)_CPU_E5-1603_v3_@_2.80GHz，内存为32GB的平台的计算机上进行运算。首先利用迁移学习，在ImageNet数据集上训练Inception-v4，获得预训练模型，保存在Inception-v4模型中已训练完成的全部参数，然后仅将全连接层进行更换。将高分辨率遥感影像输入网络，训练并调整参数，最后用Softmax分类器训练该特征。其中，模型学习率为0.0001，迭代次数为7000次，批尺寸(Batch_size)为30。为了更加客观的划分数据，减少人为因素，本次试验随机选取每类场景的80%作为训练集，验证集占总数据的10%，测试集也占总数据的10%。由TensorBoard[56]可视化本章实验所得数据，
【参考文献】：
期刊论文
[1]基于多尺度特征稠密连接的遥感图像目标检测方法[J]. 张裕,杨海涛,刘翔宇. 中国电子科学研究院学报. 2019(05)
[2]基于卷积神经网络与高光谱的鸡肉品质分类检测[J]. 王九清,邢素霞,王孝义,曹宇. 肉类研究. 2018(12)
[3]TensorFlow在图像识别系统中的应用[J]. 邢艳芳,段红秀,何光威. 计算机技术与发展. 2019(05)
[4]基于深度学习的国产高分遥感影像飞机目标自动检测[J]. 李淑敏,冯权泷,梁其椿,张学庆. 遥感技术与应用. 2018(06)
[5]基于密集卷积网络（DenseNets）的遥感图像分类研究[J]. 李达,李琳,李想. 计算机时代. 2018(10)
[6]基于卷积神经网络的遥感图像目标检测[J]. 欧攀,张正,路奎,刘泽阳. 激光与光电子学进展. 2019(05)
[7]改进的YOLOv3红外视频图像行人检测算法[J]. 王殿伟,何衍辉,李大湘,刘颖,许志杰,王晶. 西安邮电大学学报. 2018(04)
[8]基于卷积神经网络与光谱特征的夏威夷果品质鉴定研究[J]. 杜剑,胡炳樑,刘永征,卫翠玉,张耿,唐兴佳. 光谱学与光谱分析. 2018(05)
[9]卷积神经网络迁移的高分影像场景分类学习[J]. 李冠东,张春菊,王铭恺,张雪英,高飞. 测绘科学. 2019(04)
[10]应用深度卷积神经网络的机场及机场内飞机目标识别技术[J]. 李耀龙,张永科,罗镇宝. 重庆理工大学学报(自然科学). 2018(03)
博士论文
[1]基于特征学习的高分辨率遥感图像场景分类研究[D]. 胡凡.武汉大学 2017
硕士论文
[1]基于YOLO的目标检测算法设计与实现[D]. 阮激扬.北京邮电大学 2019
[2]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
[3]基于深度学习的目标检测研究与应用[D]. 姚筑宇.北京邮电大学 2019
[4]遥感图像飞机目标检测与识别算法研究[D]. 高琪琪.南昌航空大学 2015
本文编号：3571436
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3571436.html
