基于深度卷积神经网络的遥感图像飞机目标检测方法

飞机检测是遥感图像分析领域的研究热点,现有检测方法的检测流程分为多步,难以进行整体优化,并且对于飞机密集区域或背景复杂区域的检测精度较低。针对以上问题,该文提出一种端到端的检测方法MDSSD来提高检测精度。该方法基于单一网络目标多尺度检测框架(SSD),以一个密集连接卷积网络(DenseNet)作为基础网络提取特征,后面连接一个由多个卷积层构成的子网络对目标进行检测和定位。该方法融合了多层次特征信息,同时设计了一系列不同长宽比的候选框,以实现不同尺度飞机的检测。该文的检测方法完全摒弃了候选框提取阶段,将所有检测流程整合在一个网络中,更加简洁有效。实验结果表明,在多种复杂场景的遥感图像中,该方法能够达到较高的检测精度。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法。该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置。最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持。     

基于多尺度圆周频率滤波与卷积神经网络的遥感图像飞机目标检测方法研究

针对遥感图像飞机目标检测因目标尺度不一存在漏警、虚警等问题,该文基于遥感图像中飞机目标形状特征和灰度变化特点提出了一种多尺度圆周频率滤波(MSCFF)与卷积神经网络(CNN)相结合的MSCFF+CNN飞机目标自动检测算法.该算法首先采用多尺度圆周频率滤波器滤除遥感图像复杂背景,实现不同尺度飞机目标候选区域提取;然后,通过构建卷积神经网络(CNN)模型实现候选区域有效分类,最终精确确定飞机目标位置.最后,基于获取的真实遥感图像进行目标检测算法实验验证,经统计该算法的飞机目标检测率为94.38%,虚警率为3.76%,实验结果充分验证了该文算法的有效性,该算法可为机场监管、军事侦察等应用提供重要的技术支持.     

基于F-CNN的雷达目标辨识算法

针对雷达真实目标、地杂波和密集假目标的辨识问题，提出了一种基于分解卷积神经网络的雷达目标辨识算法。以深度可分离卷积为基础建立分解卷积神经网络模型。为了减少模型参数，通过减少卷积核数量和全连接层连接节点数量，减少识别特征种类，建立了精简分解卷积神经网络。实测数据的处理结果表明，该算法与现有卷积神经网络方法相比，精简分解卷积神经网络对真实目标样本、地杂波样本和密集假目标样本具有更高的识别正确率，且精简模型参数数量不到现有方法的十分之一。     

卷积神经网络在目标检测中的应用及FPGA实现

针对传统目标检测算法在复杂背景条件下的对红外弱小移动目标的检测能力弱,虚警率高等问题,提出了一种基于卷积神经网络的目标检测方法,分析了卷积神经网络的结构、特点,将卷积神经网络应用到红外弱小目标检测领域,选择卷积神经网络模型,学习训练学习出合适的模型参数,并将算法在以FPGA为核心的硬件平台上进行移植。实验表明,本文的算法实时性好,硬件移植工作量小,在复杂背景下能够得到目标掩码信息、有效检出目标。     

基于级联卷积神经网络的大场景遥感图像舰船目标快速检测方法

针对大场景遥感图像舰船目标的快速检测问题,该文设计了一种级联型卷积神经网络检测框架。该检测框架由目标预筛选全卷积网络(P-FCN)和目标精确检测全卷积网络(D-FCN)两个全卷积网络级联而成。P-FCN是一个轻量级的图像分类网络,负责对大场景图像中可能的舰船区域进行快速预筛选,其层数少、训练简单,候选框冗余较少,能够减少后续网络的计算负担;D-FCN是一个改进的U-Net网络,通过在传统U-Net结构中加入目标掩膜和舰船朝向估计层以进行多任务的学习,实现任意朝向舰船目标的精细定位。该文分别使用TerraSAR-X雷达遥感图像和从91卫图、DOTA数据集中获得的光学遥感图像对算法进行了测试,结果表明该方法的检测准确率分别为0.928和0.926,与传统滑窗法相当,但目标检测时间仅为滑窗法的1/3左右。该文所提的级联型卷积神经网络检测框架在保持检测精度的前提下能显著提高目标检测效率,可实现大场景遥感图像中舰船目标的快速检测。      

基于深度学习特征表达的车辆检测和分析

在基于单目视觉的辅助驾驶中,对车载摄像头拍摄的视频进行车辆检测、识别、分析,可以提取出有效信息来提醒司机或控制车辆的行驶,是机器视觉技术挑战问题。该文利用深度特征表达对车载视频进行车辆检测和分析,首先,针对现有卷积神经网络对超清分辨率车载视频分析效果差的问题,提出随机失活池化降维方法改进设计卷积神经网络适应高分辨率视频;其二,针对检测标识的车辆提取行驶状态信息的问题,该文利用现有卷积神经网络的重新训练分析出车辆的行驶方向:前向(F-direction)行驶车辆和对向(R-direction)行驶车辆。实验证明,该文的方法能够实时、有效地检测车辆和分析状态。     

联合特征增强和锚点自动生成的遥感图像高精度目标检测

目标检测是遥感图像处理领域中一项重要而具有挑战性的任务,针对遥感图像中目标尺度差异较大以及方向分布随机等导致的遥感图像多尺度目标检测精度较低问题,本文提出一种基于特征增强和锚点框自动生成模块的目标检测方法。该方法在ResNet50网络中加入可操控的空洞卷积模块,并以此为基础设计了增强特征金字塔网络,提高网络对于目标多尺度特征表达能力。在区域建议网络中利用锚点框自动生成模块自主学习锚点框的位置和形状,以此获得更为稀疏和高质量的候选区域。本文在NWPU VHR-10数据集和飞机目标数据集上与多种基于卷积神经网络的目标检测算法进行对比实验,结果表明,本文所提方法在两个数据集上的mAP均为最优,分别为99.2%和87.7%,该方法具有较强的尺度自适应能力,有效的提高了遥感图像多尺度目标检测的精度。      

基于YOLOX-Tiny的轻量级遥感图像目标检测模型

为了解决高分辨率遥感图像目标检测存在的背景复杂多样、密集的物体分布及目标尺度差异大等问题，同时考虑到应用场景对模型资源的限制，提出了一种基于YOLOX-Tiny的轻量级遥感目标检测网络。首先采用多尺度预测方法增强对密集目标的检测能力；其次引入协同注意力模块提高重要特征关注度，抑制背景噪声；再者通过可变形卷积替换关键预测卷积层，强化空间建模能力；最后优化损失函数，改善遥感目标定位精度。在公开的遥感图像目标检测数据集DIOR上评估了所提算法的有效性，实验结果表明：相比基准算法（YOLOX-Tiny），所提算法在平均精度（AP）和AP50指标上分别提升4.1个百分点和4.42个百分点；在保持较高精度的前提下，每秒检测帧数（FPS）达到46，可满足实时检测的需求，优于其他先进算法。     

基于多尺度特征增强卷积神经网络遥感目标检测算法

随着技术的不断发展,遥感技术被广泛应用于地图绘制、资源勘探以及灾害预警等领域。遥感目标检测是进行遥感图像解译的关键步骤。传统的目标检测算法在对遥感目标进行检测的过程中存在目标漏检、检测精度低以及无法解决小目标检测等问题。提出一种基于多尺度特征增强卷积神经网络(MSFE-CNNs)的遥感目标检测算法,通过对不同卷积层特征进行增强和融合,使得模型具有更快的训练速度和更高的检测精度。所提算法结合特征提取模块、特征增强模块、自注意力机制和金字塔特征注意力机制。特征提取模块对输入的海量遥感数据进行特征提取,获取不同类别目标的多尺度特征;特征增强模块用于增强不同卷积层特征相关性,强化模型的学习能力和特征之间的非线性关系;自注意力机制和金字塔特征注意力机制主要解决传统卷积神经网络无法获取小尺度目标特征的问题。为了验证所提算法的有效性,在DOTA数据集上进行不同方法对比,实验结果表明所提算法在检测精度和训练速度上均优于现有基于深度学习的目标检测算法。     

基于轻量化网络的光学遥感图像飞机目标检测

光学遥感图像飞机检测是遥感分析的重要研究方向。现有检测方法难以达到满意的效果,传统检测方法由于手工特征建模困难,易受背景干扰,导致其鲁棒性普遍偏低;而以复杂度提升为代价来提高检测性能的深度学习目标检测方法无法在资源受限下的星载平台得到广泛应用。针对上述问题,本论文提出一种具有轻量化多尺度特点的深度学习飞机目标检测方法。在多尺度目标检测框架（SSD）基础上,利用密集连接结构和双卷积通道构成具有特征重复利用、计算效率高等特点的基础骨干网络,之后连接一个由残差模块和反卷积构成的多尺度特征融合检测模块,以提高飞机小目标的检测性能。实验结果表明,在多种复杂机场场景中,本文的方法与当前经典的深度学习目标方法相比,在保持较高目标检测精度的同时,又能具有较低的计算复杂度。      

基于深度学习的云参量反演方法研究

有效的云检测与云相态判识对于农业、气候及人类生活具有重要意义, 而这些数据的获取离不开卫星遥感。 卫星遥感数据在当今社会的生产和生活中都扮演着至关重要的角色, 众多领域的发展都离不开卫星遥感数据的支持。 随着高精度传感器的发展, 传统研究方法无法满足大规模、高维度数据的高效挖掘与处理, 因此深度学习技术在遥感 领域得到了快速的发展。基于深度学习技术提出了一种结合多波段遥感影像的云检测及云相态判识的方法。该方法 采用 MODIS 云产品影像作为样本, 将不同波段信息作为特征值, 分别建立针对云检测与云相态判识研究任务的多个 数据库, 并采用 DeepLab V3+ 模型进行训练并预测, 从而完成高精度的云检测及云相态判识任务。与传统方法相比, 该方法高效便捷、特征提取能力较强, 将多波段作为特征值输入模型进行预测时, 该方法展现了良好的结果。     

遥感数字图像配准技术综述

图像配准技术是近年来迅速发展的图像处理技术之一,也是解决图像融合、图像镶嵌和变化检测等问题的必要前提,并在遥感、军事、医学、计算机视觉等众多领域都有广泛的应用.本文首先简要介绍了图像配准的步骤和过程,接着具体分析了目前几种常用的配准方法,并归纳总结了其在遥感领域应用中的技术特点,最后讨论了图像配准在遥感领域中的发展趋势.     

面向多源遥感图像的自适应目标检测

近年来,目标检测已经在含有大量标注的数据上展现出了良好的效果,但当真实测试数据与标注数据存在域间差异时,往往会导致训练好的目标检测模型性能降低。由于相比于自然图像,多源遥感图像在成像方式和分辨率等方面存在特有的差异,而传统的方法需要将多源图像数据重新标注,这将消耗大量人力和时间,因此在遥感图像上实现自适应目标检测面临特有的挑战。针对以上问题,本文提出了一种面向多源遥感图像的自适应目标检测算法,在图像级别和语义级别上对网络进行对抗训练。此外,通过结合超分辨网络,进一步缩小了图像级别的差异,实现了自适应目标检测。本文在两个多源遥感数据集上进行实验,结果表明本文方法有效提升了目标域上的检测效果。      

约束最大相关系数的高光谱影像目标探测研究

高光谱遥感影像具有高的空间分辨率和连续的光谱信息,在目标探测领域具有独特的优势。基于高光谱影像的目标探测技术是遥感理论与应用的重要领域之一。本文从统计学中的相关系数的概念出发,提出了基于约束最大相关系数的高光谱影像目标探测算法。利用高光谱影像的线性混合模型,在真实图像中添加目标光谱,获得不同含量的亚像素目标及大目标,利用实验室高光谱成像仪对大目标进行推扫成像获取真实大目标高光谱影像。对仿真图像与真实图像进行约束能量最小化算子和约束最大相关系数算子进行对比,实验结果表明,基于约束最大相关系数的高光谱影像目标探测算法在探测大目标中具有更稳健的探测性能。     

面向目标识别的遥感变化检测技术综述

遥感图像目标检测与识别是遥感图像处理与分析领域备受关注的课题,其核心任务是判断遥感图像中是否存在感兴趣的目标,并对其进行检测、分类与确认。本文主要围绕面向目标的遥感变化检测技术,分析了各种遥感变化检测方法的特点,综述当前遥感图像目标检测与识别的主要处理方法,在此基础上指出研究中尚存在的问题和研究动向。     

基于投影网络的遥感影像超分辨率重建方法

针对遥感影像数据量大、地形起伏大、覆盖范围 广的特点,本文提出了一种基于卷积神经网络的遥感影像超分辨重建 方法,该方法联合密集网络和深度反投影网络,组成了密集投影单元,形成深度密集投影网 络,解决了传统算法在遥感影像超分 辨率重建中存在的纹理表征不够,细节提取不足、训练困难等问题。实验结果表明,在多个 遥感影像数据集上,本文与其他对比 方法相比,PSNR和SSIM有明显提升,重建出的遥感影像纹理标征和细节特征更加丰富。     

网格梯度曲率模型零度Metropolis-Hastings遥感图像缺失重建

针对矩形网格遥感图像可微随机域数据缺失重建过程中,存在重建效果不佳且计算效率不高的问题,提出一种网格化全局几何约束零度Metropolis-Hastings遥感图像缺失数据随机重建算法.首先,构建遥感图像的随机梯度-曲率重建模型,通过全局几何约束相互作用随机场模型,匹配整个网格样本的梯度和曲率,从而满足蒙特卡罗模拟应用条件;其次,采用蒙特卡罗算法改进版本零度Metropolis-Hastings算法,实现遥感图像缺失数据重建,该方式不承担对底层数据的概率分布参数描述,有助于降低用户参与度,提高计算效率,适用大型遥感图像数据集的无监督自动处理;最后,通过与其他分类或插值方法实验对比显示,所提算法在数据重建效果和计算效率上均要优于对比算法.     

基于生成式对抗网络的遥感图像半监督语义分割

高分辨率遥感图像的语义分割问题是目前遥感图像处理领域中的研究热点之一。传统的有监督分割方法需要大量的标记数据,而标记过程又较为困难和耗时。针对这一问题,提出一种基于生成式对抗网络的半监督高分辨率遥感图像语义分割方法,只需要少量样本标签即可得到较好的分割结果。该方法为分割网络添加全卷积形式的辅助对抗网络,以助于保持高分辨率遥感图像分割结果中的标签连续性;更进一步,提出一种新颖的能够进行注意力选择的对抗损失,以解决分割结果较好时判别器约束的分割网络更新过程中存在的难易样本不均衡问题。在ISPRS Vaihingen 2D语义标记挑战数据集上的实验结果表明,与现有其它语义分割方法相比,所提出方法能够较大幅度地提高遥感图像的语义分割精度。