论文部分内容阅读
将深度学习应用于目标检测是目前机器学习领域的重点研究内容之一。本课题以遥感图像的目标检测为研究背景,针对现有遥感图像目标检测算法检测精度低、实时性差等问题,分析研究了基于深度学习的解决方案。该方案无论在检测精度还是检测速度上较之前的传统算法都取得了重要的进步。(1)本课题分析研究了传统的图像处理算法,包括图像预处理算法和特征提取算法。在图像预处理算法中,主要分析研究了图像增强算法和图像分割算法。在图像增强算法中着重分析了中值滤波算法和引导滤波算法;在图像分割算法中,分析了最传统的基于阈值的图像分割算法,着重研究了基于聚类的图像分割算法,最后引入了基于深度学习的图像分割算法,进而将本课题的研究重点定位于深度学习领域。此外针对遥感图像的固有特点,诸如多云雾等,本课题着重分析研究了去雾算法。在特征提取算法中,本课题首先研究了尺度不变特征转换(Scale-invariant Feature Transform,SIFT)、梯度方向直方图(Histogram of Oriented Gradient,HOG)特征和局部二值模式(Local Binary Patterns,LBP);其次,重点研究了分类算法支持向量机(Support Vector Machine,SVM)。本课题整合HOG特征和SVM,设计了基于HOG+SVM的传统目标识别模型。(2)本课题的研究重点是基于深度学习的目标检测。本课题分析研究了R-CNN(Region-CNN)及其衍生模型、YOLO(You Only Look Once)算法及其衍生模型以及SSD(Single Shot Multibox Detector)算法,重点研究了基于SSD算法的遥感图像目标检测。针对数据集以及原始SSD算法的训练结果,本课题提出了两点算法改进:其一是通过添加特征提取层,获得更丰富的图像特征信息;其二是通过改进候选框的划定标准,获得更细粒度的候选区域。通过这两方面的算法改进,本课题提出的改进模型在保证实现实时性检测的前提下,提高了检测精度。(3)本课题最后部分通过设计对比实验,验证了改进算法的有效性。参与对比实验的主要包括传统目标检测算法、Faster-RCNN目标检测算法、YOLOv1目标检测算法、原始SSD目标检测算法和本课题提出的SSD改进算法。通过从检测精度、检测速度、小目标检测效果等方面展开对比,从而验证了本课题提出的算法改进方案对本海洋船舶遥感图像数据集的有效性。