基于深度学习的高分辨率遥感影像目标检测

传统的目标检测识别方法难以适应海量高分辨率遥感影像数据,需要寻求一种能够自动从海量影像数据中学习最有效特征的方法,充分复挖掘数据之间的关联。本文针对海量高分辨率遥感影像数据下典型目标的检测识别,提出一种分层的深度学习模型,通过设定特定意义的分层方法建立目标语义表征及上下文约束表征,以实现高精度目标检测。通过对高分遥感影像目标检测的试验,证明了该方法的有效性。     

基于Hough森林算法的遥感影像目标检测

在遥感影像飞机目标检测中,由于目标训练样本的局限性及遥感影像尺寸较大带来的复杂性,直接使用级联式Adaboost算法会产生较多的虚警,因此需要采取一定手段去除虚假目标。近来,Hough森林算法因其简单而有效的表现在目标检测中有较多的应用。然而,直接使用Hough投票机制应用于遥感影像全图,时间耗费比较大。因此,本文将两种算法结合起来,首先由级联Adaboost算法检测出候选目标区域,然后通过改进的Hough森林算法对这些候选目标区进行二次筛选。在二次筛选中,由于初检已经确定目标的可能位置,因此不需要对全图的图像块进行位置投票,只需用对该区域作目标存在可能性评价,降低了时间消耗。试验表明,本文方法不仅能很好地去除虚假目标,同时也保证了检测时间的有效性。