改进Faster R-CNN的遥感图像多尺度飞机目标检测

为了提高遥感图像中多尺度飞机目标的检测精度,本文提出一种基于改进Faster R-CNN的遥感图像飞机目标检测方法。该方法借助多层级融合结构,将深层次的语义特征与浅层次的细节特征相结合,生成多种尺度的既具有精确的位置信息又具有深层次的语义特征的特征图;再借助Faster R-CNN的多尺度RPN (Region Proposal Network)机制,通过对RPN中候选区域尺度的修正,从而提高遥感图像中多尺度飞机目标的定位精度;最后利用Faster R-CNN的分类回归网络,得到飞机目标检测结果。在高分辨率遥感图像中进行了实验,对3种特征提取网络ZF、VGG-16以及ResNet-50进行改进,改进后的精度分别提高了11.34%、9.87%以及1.66%,并且生成的检测框更加贴合飞机目标。实验结果表明,本文方法适用于遥感图像多尺度飞机目标检测,在提高目标定位精度的同时降低了目标漏检现象。     

逐层特征选择的多层部件模型用于遥感图像飞机目标检测

提出了一种基于逐层特征选择的多层部件模型目标检测算法(multi-layer feature selection based hierarchal component model,MFSHCM),用于遥感图像飞机目标检测。通过提取目标多特征并结合局部判别式模型的建模方法,首先将提取的目标多种特征采用多核学习的方法经过核函数变换后再进行组合,提高了目标描述的准确性;其次考虑到目标自身固有的结构特性,特别是层次结构关系,引入分层的思想,构造目标的分层结构特征,并通过分层特征选择有效地降低了特征计算的复杂度;最后将MKL多特征和分层结构相结合,利用LSVM学习和推理,提出了基于逐层特征选择的多层部件模型目标检测算法。实验中将该算法在收集的十大机场真实场景数据上进行测试,验证了算法的有效性。     

基于多尺度融合特征卷积神经网络的遥感图像飞机目标检测

飞机检测在遥感图像解译中具有重要的研究意义。针对现有目标检测算法对于复杂场景区域或飞机密集区域的小尺度飞机目标检测精度较低的问题,本文提出了一种端到端的多尺度特征融合飞机目标检测框架MultDet。该方法基于SSD多尺度检测框架,采用轻量级基础网络提取多尺度特征信息;然后设计反卷积特征融合模块,通过跳跃连接将高层语义特征与低层细节特征进行特征融合,得到结构层次丰富的多尺度融合特征;最后设计了一系列不同纵横比的候选框以适应多尺度飞机目标检测。本文在光学遥感图像数据集UCAS-AOD上进行数据分析试验,结果表明,MultDet512在飞机数据集上取得了94.8%的平均检测精度(average precision,AP),在Titan Xp GPU上达到0.0500s/img的检测速度。本文所提飞机目标检测算法在包含多种复杂场景的遥感图像中,能够实现多尺度飞机目标的高精度稳健检测。     

多分辨率特征融合的光学遥感图像目标检测

高分辨率遥感图像目标检测是计算机视觉的一个重要研究领域,在民用与军事领域具有重要的应用价值。目前,基于深度学习的自然图像目标检测有了突破性进展。但是,由于遥感图像具有目标尺度差异大且类间相似度高的特点,使得处理自然图像的目标检测算法直接应用于遥感图像时仍面临着一些挑战。针对上述挑战,本文提出一种多分辨率特征融合的遥感图像目标检测方法。首先,通过特征金字塔提取多尺度特征图并在其后嵌入多分辨率特征提取网络,促使网络学习目标在不同分辨率下的特征,缩小不同特征层之间的语义差距。其次,为实现多分辨特征的有效融合,本文采用自适应特征融合模块挖掘更具判别性的多分辨特征表达。最后,将自适应特征融合模块的输出特征的相邻层进行深度融合。在公开的遥感图像目标检测数据集DIOR和DOTA上评估了本文方法的有效性,相比采用特征金字塔结构的Faster R-CNN,本文方法的准确率(mAP)分别提高2.5%和2.2%。     

Dense RFB和LSTM遥感图像舰船目标检测

针对当前遥感图像舰船目标检测精度不佳问题,本文构建舰船目标数据集STAR,提出基于Dense RFB和LSTM多尺度舰船目标检测算法。该算法首先在SSD网络基础上设计了浅层特征增强模块,基于人眼视点图采用Dense RFB特征复用和膨胀卷积增大感受野的尺度和种类,增强浅层网络对细节特征的提取能力;其次设计了深层多尺度特征金字塔融合模块,采用FPN和LSTM思想,基于反卷积和残差网络对深层不同尺度特征进行融合,增强网络结构非线性和特征层的表征能力;最后加入聚焦分类损失函数进行联合训练,有效避免了正负样本失衡问题。在遥感图像舰船数据集上实验,本文所提舰船目标检测算法精度均值达到81.98%,检测速度达到29.6帧/s。此外,遥感图像中成像模糊、被遮挡、部分被裁剪等舰船目标的检测效果也优于原有经典算法,实验结果表明该算法对遥感图像舰船目标检测的泛化能力较强,有效地提高了遥感图像舰船目标检测的精度。     

高分辨率遥感影像飞机目标的双阶段检测方法

针对现有方法进行真实应用场景中大批量的遥感影像进行特定目标检测时耗时且困难的问题,该文根据由粗到精的思路提出了一种遥感影像飞机目标的双阶段检测框架。首先,对预训练模型进行迁移训练,在下采样影像中利用机场检测模型搜索机场区域,实现对目标区域的锁定。然后,对机场场景,利用第二次迁移的模型进行飞机目标检测。结果表明,所提方法可以提高遥感影像检测飞机目标的效率和精度。通过不同阶段的筛选可以去除大部分无效区域,有效避免了在非机场区域产生的误检,提高了准确率。     

可见光遥感图像海面目标检测技术综述

利用大规模、高分辨率可见光遥感图像探测舰船目标一直是遥感领域的研究热点,其在军事和民用领域发挥着重要作用。舰船目标背景的复杂多变性,舰船目标的多尺度、多种类、多姿态类内差异性,以及检测模型的局限性等问题,都给大范围的高分辨率可见光遥感图像舰船目标探测带来了极大的挑战。首先对利用遥感技术进行舰船检测的方法体系进行总结归纳,然后在此基础上聚焦当前研究热点,对2010—2020年高分可见光遥感图像舰船目标的检测技术体系与发展历程进行概述,并对主流的检测方法进行详细论述,以期推动高分辨率可见光遥感影像舰船检测更加深入的研究和更加广泛的应用。     

遥感图像中特定目标检测的方法

随着遥感技术的发展,通过遥感手段获得的数据量越来越大,在海量的遥感数据中,如何能够快速找出有用的信息,是遥感应用重要的研究课题之一。然而,现有设备的有限处理能力和传统的图像处理方法一直是海量遥感图像数据中信息提取和分析的主要瓶颈,严重制约着数据的实际应用效率。根据人类视觉特性,提出了对于特定的遥感目标快速检测的方法,从而为目标的增强以及分类奠定了基础。     

基于多核学习的高分辨率遥感图像目标检测方法

为更有效地实现复杂场景中的多类目标同时检测,本文提出了一种基于多核学习算法进行目标检测的框架。该方法由特征提取和模型训练2个阶段组成。特征提取阶段,引入了多尺度下的点特征、表观特征同时对多类目标进行综合描述;模型训练阶段,分别采用加权相加和相乘2种方法将提取的各个基础特征组合起来,在支持向量机的框架下对各特征所代表的基础核权重进行学习。将训练所得的分类器结合滑动窗搜索技术对遥感图像进行目标检测实验,结果表明,与传统单核支持向量机相比,准确率更高。     

基于特征注意力金字塔的遥感图像目标检测方法

遥感图像场景复杂、目标大小不一、分布不均衡等特点增加了目标检测的难度,而适于检测不同尺度目标的特征金字塔融合不同深度的特征图时,没有考虑特征图各自的重要性,没有强调目标区域的特征,为此本文提出基于特征注意力金字塔的遥感图像目标检测方法 FAPNet(Feature Attention Pyramid Network)。首先,使用通道拼接方式融合不同深度的特征图,给用于检测的特征图提供不同大小感受野的特征,并基于通道注意力对融合的特征图在通道维度重标定,根据特征图所负责检测目标的尺度自适应地调整不同大小感受野特征的权重,强化感受野大小与待检测目标尺度匹配度较高的特征,弱化匹配度较低的特征。其次,使用叠加的扩张空间金字塔池化结构,结合弱监督分割网络建模位置注意力,强化目标区域特征,弱化背景区域特征,进一步提升目标检测方法的性能。实验结果表明,相较于RetinaNet,针对汽车目标,所提方法在UCAS-AOD数据集和RSOD数据集上检测精度AP分别提升了3.41%和2.26%,针对多类目标所提方法在各目标上取得了较优的AP结果,且mAP结果优于其他比较方法。     

顾及多因素的面状目标多层次骨架线提取

提出并实现了利用长度、走向和分布对骨架线网络边进行多因素评价的算法模型,算法构建了多层次结构化的骨架线,并进一步得到了顾及多因素的最优骨架线。     

基于图像质量评价量和隐马尔科夫模型的图像拼接检测

基于对图像拼接技术的分析,提出了基于图像质量评价量和隐马尔科夫模型(hidden Markov model,HMM)的拼接图像检测方法,提取了图像的特征值,使用支持向量机(support vector machine,SVM)对特征值进行训练和分类,得到了较好的效果。     

一种基于SVM的无人机影像中单个建筑物的角点检测方法

针对目前无人机影像中单个建筑物角点的检测现状,提出了一种基于支持向量机(SVM)的无人机影像中建筑物的角点检测方法。首先对4个波段的无人机影像进行多尺度分割,计算影像的NDVI,通过植被与非植被区域的波谱差异剔除植被的影响。其次,用面向对象分类法将"建筑物块"从影像中提取出来,对"建筑物块"区域用Harris算子进行边缘检测,形成建筑物边缘点集数据。随后通过设计高斯径向基将边缘样本点映射到高维特征空间,构建特征向量,采用边缘点集训练SVM分类模型,最终通过SVM分类模型从粗提取的边缘点集中检测出正确的建筑物角点,实现了单个建筑物的角点提取。     

一种融合光谱匹配和张量分析的高分辨率遥感影像目标探测器

提出了一种基于光谱分析理论和张量代数理论的高分辨率遥感影像目标探测器。首先在向量空间中对目标光谱进行特征匹配;然后对光谱特征与目标相似的像素进行空间\\|光谱特征一体化张量描述,进而在张量特征空间中对目标和背景进行分类。实验表明,张量学习机能够有效地对高分辨率影像进行目标识别。加入光谱特征匹配后的目标探测器能够极大地降低目标探测时间,同时进一步提高目标探测精度。     

支持向量机的车载雷达点云目标识别

为了进一步研究移动测量系统的数据处理问题,该文根据点云的基本特征,归纳了由7个特征构成的点云原始特征向量,在此基础上,结合语义环境构建了由17个特征构成的点云扩展特征向量,并采用支持向量机模型对车载LiDAR点云进行行道树点云识别的一系列实验。实验中采用粒子群优化算法和遗传算法对支持向量机进行参数寻优;采用不同特征向量和不同数目样本对点云进行学习和目标识别;分析了特征向量的学习曲线和识别精度。实验结果表明,支持向量机模型能够在行道树点云识别中取得较高的精度。     

基于自适应参数估计的多时相遥感图像变化检测

提出一种基于自适应参数估计实现多时相遥感图像的变化检测算法.首先应用分层Markov随机场模型建立多时相差分图像的统计模型;然后通过非监督的迭代自适应参数估计实现差分图像的分类,从而检测出变化的像元.在每次参数估计过程中,先将上次估计出的参数用于最大后验估计实现差分图像的分类,然后根据分类结果再对参数进行修正,并将修正后的参数用于下一次迭代分类,如此循环迭代,能够自适应地完成差分图像的参数估计与分类.     

基于ORDB的地理空间对象模型M-L-E(S,A)改进研究

针对地理数据中空间对象概念模型,尝试利用对象-关系数据库(ORDB)的一些优势,对已有的地理数据中空间对象的M-L-E(S,A)分层模型进行了改进,实体之间可以通过类、继承等方式产生和关联,地图和图层之间、图层和实体之间采用引用方式实现连接,不再存在从属关系,实现了更大程度的共享,可以更好地体现ORDB相对于OODB或RDB对地理空间数据的表达。同时提出了该模型的形式化表达,并对空间实体、图层和地图各层次分别进行了分析讨论,提出基于ORDB的支持方式和特点,并设想了地图尺度转化从图层到实体向下层追溯的过程。     

基于新型相似性测度的高光谱影像地物检测

提出了一种新型光谱相似性测度及其参数的自适应选择方法,并且将其应用到了高光谱影像地物检测中。由于这种相似性测度基于光谱角度余弦(SAC),因此在理论上对因光照强度变化、阴影和遮挡等引起的同种地物光谱变化的适应性较强。最后利用两幅高光谱影像进行了实验分析,实验结果证明提出的方法不仅能扩大阈值取值区间,而且可提高检测的精度。     

利用特征选择自适应决策树的层次SAR图像分类

提出了一种新的基于特征选择自适应决策树的层次分类算法,用于合成孔径雷达（synthetic apertureradar,SAR）图像的分类。采用Joint Boosting算法选择出最适用于各类的特征组合,并自适应地搜索构造出一个由两类分类器构成的层次分类器,利用特征选择结果和自适应决策树进行了SAR图像的学习和推理,实现了自动分类,在国内首批极化干涉SAR数据上的实验证明了本算法的有效性。