论文部分内容阅读
光学遥感图像中的目标检测技术在民用方面和军事方面都有着十分重要的意义。在民用方面,高精度的目标检测可以辅助城市交通管理,帮助城市进行规划建设;在军事方面,高精度的目标检测有利于精确地锁定入侵目标,保护国家安全。光学遥感图像中传统的目标检测算法——边缘检测算法、阈值分割法、基于视觉显著性的方法和基于浅层机器学习的算法已经很难满足今天光学遥感图像中目标检测的要求。随着深度学习特别是深度卷积神经网络在图像处理领域的巨大发展,利用深度卷积神经网络在光学遥感图像中进行目标检测已经成为不可阻挡的趋势。相较于浅层机器学习进行目标检测时复杂且低效的工作流程:首先必须依据特定目标设计特定的特征提取算法然后再将得到的特征送入分类器进行分类,深度学习特别是深度卷积神经网络则可以直接提取目标的有效特征。另外,深度卷积神经网络能够提取目标更加本质的特征而浅层机器学习只能提取初级或者中级的特征如纹理特征、边缘特征等。目前,基于深度卷积神经网络的目标检测算法大体上可以分为俩种:一种是以Faster RCNN为代表的双阶段检测器,另一种是以YOLO和SSD为代表的单阶段检测器。相较于双阶段的目标检测器,单阶段的目标检测器在速度上更具有优势,但是在精度上表现不佳,尤其在检测小尺度目标的时候其结果并不令人满意。特别是YOLO系列,在小尺度目标上的检测精度尤为糟糕。而双阶段检测器虽然在速度上慢于单阶段检测器但是其在小尺度目标上的检测精度要优于单阶段检测器。相比较而言,双阶段检测器更加适合光学遥感类的目标检测。因此,本文依据已经公开的具有国际认可度的光学遥感数据集进行有关研究。基于Faster RCNN检测器,在俩个具有代表性的数据集上,“微调”多种主流深度卷积神经网络进行目标检测,并对各个深度卷积神经网络的性能进行全面的分析。从详细的实验分析中,了解各个深度卷积神经网络的优缺点,了解何种结构的深度卷积神经网络更加适合光学遥感图像中的目标检测,了解直接“微调”深度卷积神经网络在光学遥感图像中进行目标检测的注意点和不足。同时,为了减少深度卷积神经网络所需要的存储空间,我们提出了子网卷积化的方法,初步探索网络轻型化。研究发现,直接―微调‖深度卷积神经网络在光学遥感图像中进行目标检测存在着很多的不足。因此,我们提出了一系列的改进。首先,在光学遥感图像的目标检测中,周围环境复杂,干扰较多。因此,利用深度卷积神经网络进行目标检测时存在大量难以识别的目标。在训练的过程中为保证网络在整个数据集上取得较好的结果,往往会忽视“难样本”的特征。针对这种情况,我们采用―在线难例解析‖,即将难以识别的目标作为网络训练的主要对象进行目标检测与识别,―在线难例解析‖有效地提高了网络的整体能力。其次,光学遥感图像中部分目标摆放非常密集,尺度较小,这些目标的有效特征在深度卷积神经网络传播过程中会严重丢失,针对这种情况,我们提出了提高分辨率来减少特征的丢失。但是,直接提高网络结构的分辨率会导致感受野的下降从而导致全局信息的丢失,所以我们采用―空洞卷积‖来提高感受野。除此之外,深层次网络得到的特征包含较少的定位信息,而定位信息对于光学遥感图像中的目标检测是十分重要的,因此本人提出了一种多尺度特征结合的方法。该方法结合了深层网络所包含的有利于分类的高级语义特征和浅层网络包含的有利于定位的边缘、纹理等特征。最后,为了减小深度卷积神经网络模型所需要的存储空间,增加网络的可移植性,本人又提出了一种网络轻型化的方法。通过实验证明,我们提出的方法是可行的,相较于目前流行的基于深度卷积神经网络的目标检测方法,我们的方法在精度和召回率上存在较大的优势。综上所述,我们深度研究了如何在光学遥感图像中利用深度卷积神经网络进行目标检测。在分析了多种主流深度卷积神经网络在光学遥感图像中进行目标检测的优缺点的基础上,提出一系列的改进从而达到高精度目标检测的目的。我们的研究对于光学遥感图像中的目标检测具有很深的指导意义。