基于深度學(xué)習(xí)的高分辨率遙感圖像建筑物檢測算法研究
發(fā)布時間：2020-12-06 07:37
隨著航空航天領(lǐng)域技術(shù)的發(fā)展,遙感衛(wèi)星圖像資源在城市規(guī)劃、軍事偵查、國土資源等眾多領(lǐng)域應(yīng)用廣泛。高分辨率遙感圖像目標(biāo)檢測成為遙感圖像處理領(lǐng)域的重要研究方向。建筑物是城市或城郊地面的重要標(biāo)志特征,因此在遙感領(lǐng)域中建筑物的檢測識別成為重要課題。傳統(tǒng)目標(biāo)檢測方法的特征表示是基于經(jīng)驗(yàn)手工設(shè)計的,這樣很耗費(fèi)時間,不能發(fā)掘圖像更高維度的特征信息,而基于深度學(xué)習(xí)的圖像處理能快速有效的學(xué)習(xí)圖像特征。當(dāng)前,Faster R-CNN作為基于深度學(xué)習(xí)的目標(biāo)檢測的主流算法,因此本文把Faster R-CNN算法應(yīng)用于建筑物的檢測任務(wù)中。該算法在谷歌、高分二號圖像建筑物特征集上分別取得53.7%和51.7%的檢測精度。針對建筑物檢測精度低的情況,本文從以下三個方面來提升檢測精度。首先,本文使用在線困難樣本挖掘算法（Online Hard Example Mining,簡稱OHEM）改進(jìn)了FasterR-CNN算法,提出了OHEM+Faster R-CNN的算法,OHEM是將難以訓(xùn)練的困難樣本篩選再訓(xùn)練的一種算法,此項(xiàng)改進(jìn)使得建筑物檢測精度在谷歌、高分二號圖像建筑物特征集分別提高到58.2%和63.3%。其次,為了...
【文章來源】：燕山大學(xué)河北省
【文章頁數(shù)】：72 頁
【學(xué)位級別】：碩士
【部分圖文】：
Sigmoid 函數(shù)
圖 2-6 Relu 函數(shù) 池化層層是為了簡化網(wǎng)絡(luò)復(fù)雜度，是對圖像是壓縮，使得提取的特征圖變的參數(shù)量，防止過擬合。池化的操作分為最大值池化和平均值池化池化舉例。如圖 2-7 所示，對于輸入4*4圖像使用2*2過濾器進(jìn)行選取過濾器對應(yīng)圖像區(qū)域的最大值，遍歷圖像直到池化操作結(jié)束。2-7 是池化操作，使用的是最大值池化，就是取卷積核對應(yīng)輸入數(shù)據(jù)2 410524 3 13534
第 3 章 遙感圖像建筑物特征集制作方法研究3.2.2 特征集的格式項(xiàng)目 data 文件里面有一個 VOC2007，另一個是 VOC2012，里面有 5 個文件夾。Annotations 里面存放 xml 文件，每個文件對應(yīng) JPEGImages 里面的一張圖片，ImageSets 里面存放記錄各個類別正負(fù)樣本的 xml 文件，JPEGImages 是存放圖片，每張圖片都有對應(yīng)的編號，SegmentationClass：按類存放分割圖片，相同的類用同一個顏色表示，SegmentationObject：按物體存放分割圖片，不同的物體用不同的顏色表示 。 本 文 制 作 的 特 征 集 沒 有 分 割 圖 片 ， 因 此 沒 有 SegmentationClass 和SegmentationClass。圖 3-1 是高分二號圖像建筑物特征集圖像，一共 4 張示例圖片，圖 3-2 是圖像中建筑物標(biāo)注坐標(biāo)信息的 xml 文件，圖 3-3 是遙感圖像特征集格式文件目錄，圖 3-4 是訓(xùn)練集測試集各個文件。
【參考文獻(xiàn)】：
期刊論文
[1]密集城區(qū)高分辨率遙感影像建筑物提取[J]. 方鑫,陳善雄. 測繪通報. 2019(04)
[2]結(jié)合全卷積神經(jīng)網(wǎng)絡(luò)的室內(nèi)場景分割[J]. 黃龍,楊媛,王慶軍,郭飛,高勇. 中國圖象圖形學(xué)報. 2019(01)
[3]面向多尺度坦克裝甲車輛目標(biāo)檢測的改進(jìn)Faster R-CNN算法[J]. 王全東,常天慶,張雷,戴文君. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2018(12)
[4]基于ArcGIS的地物化成果各坐標(biāo)系統(tǒng)向CGCS2000坐標(biāo)轉(zhuǎn)換研究[J]. 杜輝,耿濤,劉生榮,白運(yùn). 物探與化探. 2018(05)
[5]一種改進(jìn)的基于R-FCN模型的人臉檢測算法[J]. 戴海能,茅耀斌. 計算機(jī)與現(xiàn)代化. 2018(08)
[6]改進(jìn)的基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的微操作系統(tǒng)目標(biāo)檢測方法[J]. 彭剛,楊詩琪,黃心漢,蘇豪. 模式識別與人工智能. 2018(02)
[7]基于全卷積網(wǎng)絡(luò)的高分辨遙感影像目標(biāo)檢測[J]. 徐逸之,姚曉婧,李祥,周楠,胡媛. 測繪通報. 2018(01)
[8]基于R-FCN的行人檢測方法研究[J]. 蔣勝,黃敏,朱啟兵,王正來. 計算機(jī)工程與應(yīng)用. 2018(18)
[9]災(zāi)后高分辨率遙感影像的地震型滑坡信息自動提取算法研究[J]. 閆琦,李慧,荊林海,唐韻瑋,丁海峰. 激光與光電子學(xué)進(jìn)展. 2017(11)
[10]解讀AlphaGo背后的人工智能技術(shù)[J]. 劉知青,吳修竹. 控制理論與應(yīng)用. 2016(12)
本文編號：2900981
【文章來源】：燕山大學(xué)河北省
【文章頁數(shù)】：72 頁
【學(xué)位級別】：碩士
【部分圖文】：
Sigmoid 函數(shù)
圖 2-6 Relu 函數(shù) 池化層層是為了簡化網(wǎng)絡(luò)復(fù)雜度，是對圖像是壓縮，使得提取的特征圖變的參數(shù)量，防止過擬合。池化的操作分為最大值池化和平均值池化池化舉例。如圖 2-7 所示，對于輸入4*4圖像使用2*2過濾器進(jìn)行選取過濾器對應(yīng)圖像區(qū)域的最大值，遍歷圖像直到池化操作結(jié)束。2-7 是池化操作，使用的是最大值池化，就是取卷積核對應(yīng)輸入數(shù)據(jù)2 410524 3 13534
第 3 章 遙感圖像建筑物特征集制作方法研究3.2.2 特征集的格式項(xiàng)目 data 文件里面有一個 VOC2007，另一個是 VOC2012，里面有 5 個文件夾。Annotations 里面存放 xml 文件，每個文件對應(yīng) JPEGImages 里面的一張圖片，ImageSets 里面存放記錄各個類別正負(fù)樣本的 xml 文件，JPEGImages 是存放圖片，每張圖片都有對應(yīng)的編號，SegmentationClass：按類存放分割圖片，相同的類用同一個顏色表示，SegmentationObject：按物體存放分割圖片，不同的物體用不同的顏色表示 。 本 文 制 作 的 特 征 集 沒 有 分 割 圖 片 ， 因 此 沒 有 SegmentationClass 和SegmentationClass。圖 3-1 是高分二號圖像建筑物特征集圖像，一共 4 張示例圖片，圖 3-2 是圖像中建筑物標(biāo)注坐標(biāo)信息的 xml 文件，圖 3-3 是遙感圖像特征集格式文件目錄，圖 3-4 是訓(xùn)練集測試集各個文件。
【參考文獻(xiàn)】：
期刊論文
[1]密集城區(qū)高分辨率遙感影像建筑物提取[J]. 方鑫,陳善雄. 測繪通報. 2019(04)
[2]結(jié)合全卷積神經(jīng)網(wǎng)絡(luò)的室內(nèi)場景分割[J]. 黃龍,楊媛,王慶軍,郭飛,高勇. 中國圖象圖形學(xué)報. 2019(01)
[3]面向多尺度坦克裝甲車輛目標(biāo)檢測的改進(jìn)Faster R-CNN算法[J]. 王全東,常天慶,張雷,戴文君. 計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報. 2018(12)
[4]基于ArcGIS的地物化成果各坐標(biāo)系統(tǒng)向CGCS2000坐標(biāo)轉(zhuǎn)換研究[J]. 杜輝,耿濤,劉生榮,白運(yùn). 物探與化探. 2018(05)
[5]一種改進(jìn)的基于R-FCN模型的人臉檢測算法[J]. 戴海能,茅耀斌. 計算機(jī)與現(xiàn)代化. 2018(08)
[6]改進(jìn)的基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)的微操作系統(tǒng)目標(biāo)檢測方法[J]. 彭剛,楊詩琪,黃心漢,蘇豪. 模式識別與人工智能. 2018(02)
[7]基于全卷積網(wǎng)絡(luò)的高分辨遙感影像目標(biāo)檢測[J]. 徐逸之,姚曉婧,李祥,周楠,胡媛. 測繪通報. 2018(01)
[8]基于R-FCN的行人檢測方法研究[J]. 蔣勝,黃敏,朱啟兵,王正來. 計算機(jī)工程與應(yīng)用. 2018(18)
[9]災(zāi)后高分辨率遙感影像的地震型滑坡信息自動提取算法研究[J]. 閆琦,李慧,荊林海,唐韻瑋,丁海峰. 激光與光電子學(xué)進(jìn)展. 2017(11)
[10]解讀AlphaGo背后的人工智能技術(shù)[J]. 劉知青,吳修竹. 控制理論與應(yīng)用. 2016(12)
本文編號：2900981
本文鏈接：http://www.wukwdryxk.cn/jianzhugongchenglunwen/2900981.html
最近更新
教材專著
