基于卷積神經網絡的遙感圖像目標檢測與識別.pdf

1、隨著遙感衛(wèi)星技術飛速發(fā)展，大批遙感衛(wèi)星涌現(xiàn)，生成了海量遙感圖像數據。這些遙感圖像數據具有重要的研究與應用價值，其中遙感圖像目標檢測與識別具有廣泛的應用前景，一直以來都是學術界研究的熱點。
　　遙感圖像目標檢測是指在遙感圖像中找到關注的目標并給出具體位置，遙感圖像目標識別則是對某個目標的進一步分類，它們是遙感圖像處理領域長期以來關注的問題。卷積神經網絡CNN(Convolutional Neural Network)憑借其包含的深層

2、語義特征在計算機視覺領域取得了巨大的成功，近年來也越來越多的被應用到遙感圖像目標檢測與識別任務中。
　　然而，現(xiàn)有的基于卷積神經網絡的遙感圖像目標檢測方法依賴大量boundingbox數據（位置信息數據）進行訓練，需要耗費大量人工標注成本，同時由于遙感圖像的目標樣本數量有限，不足以支撐大規(guī)模訓練;另外現(xiàn)有的基于卷積神經網絡的遙感圖像目標識別方法僅考慮網絡的深層語義特征，導致識別性能達到瓶頸。為解決上述問題，本文基于卷積神經網絡對遙

3、感圖像目標檢測與識別算法進行研究。
　　本文首先闡述遙感圖像目標檢測與識別的研究背景和現(xiàn)狀，分析和介紹了遙感圖像目標檢測與識別算法以及深度學習理論研究進展。針對遙感圖像目標檢測任務，提出了一種新的基于深度特征的遙感圖像目標檢測方法，利用CNN提取的深度特征提取感興趣區(qū)域，并通過多個尺度的CNN對感興趣區(qū)域進行目標確認，該方法無需bounding box數據進行訓練，并且提高了檢測準確率，降低了漏警率。在遙感圖像目標識別任務中，設計

4、了一個更加適合遙感圖像目標識別任務的卷積神經網絡，并提出了卷積特征融合方法，充分利用網絡淺層特征和高層特征來提高識別正確率。本文的主要貢獻點如下:
　　(1)針對目前基于深度學習的遙感圖像目標檢測方法依賴大量boundingbox訓練數據以及遙感圖像目標樣本不足的問題，本文使用高分辨率遙感圖像訓練卷積神經網絡，然后利用該網絡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網絡進行目標確認，從而高效地完成目標檢

5、測。實驗結果顯示，相比其他同類型方法，本文提出的方法提高了目標檢測的準確率，降低了漏警率，魯棒性強，同時該方法無需bounding box數據進行訓練并大幅減少了網絡訓練時間。
　　(2)由于目前基于深度學習的遙感圖像目標識別方法往往僅采用網絡最深層的抽象語義特征進行識別，而忽略了網絡淺層特征，本文首先設計了一個更加適合遙感圖像目標識別的卷積神經網絡，然后提出了一個端到端的卷積特征融網絡，通過全局平均池化方法提取網絡的不同深度特征