深度学习遥感影像多尺度油罐检测算法性能分析

遥感影像中油罐目标尺度变化大,小目标较多,影响其检测性能。为探究影像缩放对各网络油罐检测的影响以及油罐目标尺寸对于检测结果影响的规律,选择经典的5种深度学习目标检测算法,包括FRCNN、RFCN、SSD、YOLOv3和RetinaNet算法,对不同尺度油罐目标的检测精度、泛化能力和运行效率等进行了对比分析和实验验证。实验结果表明,RetinaNet和RFCN算法的平均精度和泛化能力最好;YOLOv3算法的速度最快。不同算法都有所谓的最佳检测尺寸窗口,通过对检测影像适当地缩放可以使待检测目标尺寸落入最佳窗口,从而提高油罐目标检测的精度。同时,对基于深度学习的遥感影像多尺度油罐检测算法提出了改进的建议。     

一种改进YOLOv4的遥感影像典型目标检测算法

如何使传统神经网络算法对遥感影像典型目标检测表现出良好的适应性是当前遥感领域的一项难点.在深入解析最新YOLOv4网络结构及算法核心思想前提下,首先通过增加104×104的特征层尺度并嵌入SE模块进行网络结构改进;继而根据待检测目标尺度特点调整锚点框,提高YOLOv4算法对遥感影像典型目标检测性能;最后设计对照实验进行验证.实验结果表明YOLOv4算法相比RFB-Net和Reti-naNet有明显的性能优势,所提出的YOLOv4改进算法对遥感影像中飞机和油罐两类典型目标的召回率和平均准确率得到显著提升,证明了改进算法的有效性.     

人工神经网络遥感影像分类模型及其与知识集成方法研究

以多层感知器（MLP）为例，探讨了地学知识与ANN融合进行遥感影像分类的方法。首先对MLP网络结构、学习算法及其改进进行分析；然后总结了MLP进行遥感影像分类的一般方法和存在的缺陷；发展了基于知识的MLP神经网络遥感影像分类模型，并具体利用基于规则的MLP方法进行了遥感土地覆盖分类的实验，把获得的结果与传统统计方法与一般ANN方法进行了综合比较，获得了有意义的结果。     

级联卷积神经网络的遥感影像飞机目标检测

传统遥感影像飞机目标检测算法依赖于人工设计特征，对大范围复杂场景和多尺度的飞机目标稳健性较差，基于深层卷积神经网络的目标检测算法通常难以有效应对大幅影像的目标搜索和弱小目标检测问题，针对上述问题，本文提出了一种基于级联卷积神经网络的遥感影像飞机目标检测算法。首先根据全卷积神经网络能够支持输入任意大小图像的特点，采用小尺度浅层全卷积神经网络对整幅影像进行遍历和搜索，快速获取疑似飞机目标作为兴趣区域，然后利用较深层的卷积神经网络对兴趣区域进行更精确的目标分类与定位。为提高卷积神经网络对地物目标的辨识能力，在卷积层中引入多层感知器，并在训练过程中采取多任务学习与离线难分样本挖掘的策略；在测试阶段，建立影像金字塔进行多级搜索，并结合非极大值抑制消除冗余窗口，从而实现由粗到精的飞机目标检测与识别。对多个数据集下多种复杂场景的遥感影像进行测试，结果表明，本文方法具有较高的准确性和较强的稳健性，可为大幅遥感影像的飞机目标检测问题提供一个快速高效的解决方案。     

一种基于改进YOLOv3的遥感影像飞机目标检测算法

针对遥感影像场景复杂,飞机目标尺寸小、特征不明显的问题,提出一种基于改进YOLOv3的遥感影像飞机目标检测算法。首先对YOLOv3的特征提取网络的结构进行改进,并将网络的检测尺度由3个扩展至4个,提高小目标的检测率;其次采用线性加权的非极大值抑制算法,降低排列交错紧密的小目标的漏检率;最后在本文设计的数据集上将该算法与YOLOv3进行对比实验。结果表明,改进后的算法对复杂背景下的小尺寸飞机目标的检测准确率和召回率均有明显提升,验证了本文算法的有效性和鲁棒性。     

多结构元素组合型MODIS影像水体边缘检测

受空间分辨率的约束,MODIS遥感影像中存在很多混合像元,不利于水体边缘信息的提取,为提高水体边缘混合像元的检测精度,本文提出了多结构元素组合型边缘检测算法。方法选取了适合于遥感影像水体边缘检测的膨胀型和腐蚀型算子,同时针对遥感影像自身的特点,构建了多尺寸多方位的结构元素,设计了不同的方向权重和尺寸权重系数,再将基于不同检测算子的边缘检测结果组合得到最终结果。实验结果表明与传统算法相比,多结构元素组合型边缘检测算法边缘提取效果良好,提高了水体边缘的检测精度。     

多结构元素组合型MODIS影像水体边缘检测

受空间分辨率的约束,MODIS遥感影像中存在很多混合像元,不利于水体边缘信息的提取,为提高水体边缘混合像元的检测精度,本文提出了多结构元素组合型边缘检测算法。方法选取了适合于遥感影像水体边缘检测的膨胀型和腐蚀型算子,同时针对遥感影像自身的特点,构建了多尺寸多方位的结构元素,设计了不同的方向权重和尺寸权重系数,再将基于不同检测算子的边缘检测结果组合得到最终结果。实验结果表明与传统算法相比,多结构元素组合型边缘检测算法边缘提取效果良好,提高了水体边缘的检测精度。     

基于卷积神经网络的高分辨率遥感影像目标检测方法研究EI北大核心CSCD

高分辨率遥感影像目标检测作为高分对地观测系统中影像信息自动提取及分析理解的重要内容,对高分对地观测系统应用价值的发挥具有重要影响。卷积神经网络作为最热门的深度学习模型,由于其可以根据海量数据和标注自行进行有效图像特征提取和学习,在训练数据充足的情况下,模型具有良好的泛化能力,能够在复杂多变的条件下依然保持良好的稳健性和普适性。因此,基于卷积神经网络的目标检测架构被相继提出,但现有网络架构多是针对自然图像设计的,相对于自然图像,高分辨率遥感影像存在背景更加复杂、目标尺度更小、同类目标尺度变化更大和影像尺寸更大等特点;将这些网络架构直接用于高分辨率遥感影像目标检测会存在网络目标建议框尺度不匹配,待检影像相对于网络输入过大,以及缺乏训练数据等问题。针对上述问题,论文系统性地开展基于卷积神经网络的高分辨遥感影像目标检测方法研究。主要研究内容如下。     

深度学习的遥感影像舰船目标检测

针对传统舰船检测方法中流程繁琐,速度较慢且对于复杂背景区域的检测精度较低等问题,该文提出了一种改进的Faster R-CNN深度神经网络端到端自动检测方法。该方法通过数据增强技术对数据集进行扩充,使用深度残差网络ResNet替代传统平网络VGG-16对数据集进行特征提取,在区域生成网络中针对舰船目标长宽比较高的特点修改了标定框的长宽比,较好地解决了传统检测方法步骤繁琐,速度较慢等缺点,实现了对遥感影像舰船目标的自动检测。实验结果表明,改进后的Faster R-CNN检测算法能够对遥感影像中的舰船目标进行快速的精确检测,准确率可达92.3%,检测速度达到每秒5帧。即使在面对遥感影像背景复杂、目标局部遮挡问题时也能准确识别。和传统的ENVI与eCognition分类手段相比,该方法提升了目标检测效果和识别效率,Faster R-CNN检测算法相比该方法提升了检测精度。     

优化BP神经网络的多特征融合遥感影像分类方法

针对BP神经网络在遥感影像分类中存在易陷入局部极值和单一影像特征缺乏有效地物判别信息的问题,该文提出了一种遗传算法(GA)结合指数粒子群算法(ExpPSO)优化BP神经网络的多特征融合遥感影像分类方法(GA-ExpPSO-BP).该方法将设计的基于指数函数的ExpPSO与GA结合构建GA-ExpPSO算法,利用GA-ExpPSO算法对BP神经网络的权阈值进行初始寻优从而构建GA-ExpPSO-BP模型.以高分二号、资源三号遥感影像为实验数据,通过制作多特征融合数据集训练及实验验证.结果 表明:该方法的类别精度、总体精度和Kappa系数均最高,且训练耗时和误差最小,能有效改善影像的分类效果,提高分类效率和精度.