基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測與識(shí)別.pdf

1、隨著遙感衛(wèi)星技術(shù)飛速發(fā)展，大批遙感衛(wèi)星涌現(xiàn)，生成了海量遙感圖像數(shù)據(jù)。這些遙感圖像數(shù)據(jù)具有重要的研究與應(yīng)用價(jià)值，其中遙感圖像目標(biāo)檢測與識(shí)別具有廣泛的應(yīng)用前景，一直以來都是學(xué)術(shù)界研究的熱點(diǎn)。
　　遙感圖像目標(biāo)檢測是指在遙感圖像中找到關(guān)注的目標(biāo)并給出具體位置，遙感圖像目標(biāo)識(shí)別則是對某個(gè)目標(biāo)的進(jìn)一步分類，它們是遙感圖像處理領(lǐng)域長期以來關(guān)注的問題。卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)憑借其包含的深層

2、語義特征在計(jì)算機(jī)視覺領(lǐng)域取得了巨大的成功，近年來也越來越多的被應(yīng)用到遙感圖像目標(biāo)檢測與識(shí)別任務(wù)中。
　　然而，現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)檢測方法依賴大量boundingbox數(shù)據(jù)（位置信息數(shù)據(jù)）進(jìn)行訓(xùn)練，需要耗費(fèi)大量人工標(biāo)注成本，同時(shí)由于遙感圖像的目標(biāo)樣本數(shù)量有限，不足以支撐大規(guī)模訓(xùn)練;另外現(xiàn)有的基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)識(shí)別方法僅考慮網(wǎng)絡(luò)的深層語義特征，導(dǎo)致識(shí)別性能達(dá)到瓶頸。為解決上述問題，本文基于卷積神經(jīng)網(wǎng)絡(luò)對遙

3、感圖像目標(biāo)檢測與識(shí)別算法進(jìn)行研究。
　　本文首先闡述遙感圖像目標(biāo)檢測與識(shí)別的研究背景和現(xiàn)狀，分析和介紹了遙感圖像目標(biāo)檢測與識(shí)別算法以及深度學(xué)習(xí)理論研究進(jìn)展。針對遙感圖像目標(biāo)檢測任務(wù)，提出了一種新的基于深度特征的遙感圖像目標(biāo)檢測方法，利用CNN提取的深度特征提取感興趣區(qū)域，并通過多個(gè)尺度的CNN對感興趣區(qū)域進(jìn)行目標(biāo)確認(rèn)，該方法無需bounding box數(shù)據(jù)進(jìn)行訓(xùn)練，并且提高了檢測準(zhǔn)確率，降低了漏警率。在遙感圖像目標(biāo)識(shí)別任務(wù)中，設(shè)計(jì)

4、了一個(gè)更加適合遙感圖像目標(biāo)識(shí)別任務(wù)的卷積神經(jīng)網(wǎng)絡(luò)，并提出了卷積特征融合方法，充分利用網(wǎng)絡(luò)淺層特征和高層特征來提高識(shí)別正確率。本文的主要貢獻(xiàn)點(diǎn)如下:
　　(1)針對目前基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測方法依賴大量boundingbox訓(xùn)練數(shù)據(jù)以及遙感圖像目標(biāo)樣本不足的問題，本文使用高分辨率遙感圖像訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，然后利用該網(wǎng)絡(luò)對低分辨遙感圖像提取深度特征，獲取感興趣區(qū)域，最后采用多尺度的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行目標(biāo)確認(rèn)，從而高效地完成目標(biāo)檢

5、測。實(shí)驗(yàn)結(jié)果顯示，相比其他同類型方法，本文提出的方法提高了目標(biāo)檢測的準(zhǔn)確率，降低了漏警率，魯棒性強(qiáng)，同時(shí)該方法無需bounding box數(shù)據(jù)進(jìn)行訓(xùn)練并大幅減少了網(wǎng)絡(luò)訓(xùn)練時(shí)間。
　　(2)由于目前基于深度學(xué)習(xí)的遙感圖像目標(biāo)識(shí)別方法往往僅采用網(wǎng)絡(luò)最深層的抽象語義特征進(jìn)行識(shí)別，而忽略了網(wǎng)絡(luò)淺層特征，本文首先設(shè)計(jì)了一個(gè)更加適合遙感圖像目標(biāo)識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)，然后提出了一個(gè)端到端的卷積特征融網(wǎng)絡(luò)，通過全局平均池化方法提取網(wǎng)絡(luò)的不同深度特征