论文部分内容阅读
光学遥感图像目标检测与识别是计算机视觉与模式识别研究领域中非常重要的研究方向。特征提取是目标检测中关键的一步,深度学习能够自动特征提取、充分利用大数据进行端到端训练与预测,在检测性能上相对传统检测方法有了显著的提高。然而,现有的深度检测模型多以层次化卷积获得目标描述以感知目标,提取的特征信息单一,缺乏对目标认知特征的挖掘,本文研究了用于目标检测的深度特征增强方法,设计了三种基于深度特征增强的遥感图像目标检测方法,实现了对光学遥感图像目标的准确检测与识别。本文的主要研究内容及成果如下:1、针对遥感影像目标的多尺度特性和目标易受背景相似物干扰的问题,提出双路径通道注意力机制检测模型DPCA-Det。在检测模型的分类预测层引入双路径通道注意力模块,其中一个路径注意力模块学习分类预测层每个卷积通道的重要性,同时将每个通道的重要性逐通道加权到分类预测层,使得不同的卷积通道关联图像的不同内容,进而增大目标通道的特征响应,减弱噪声区域通道的特征响应;另外一个路径注意力模块提取分类预测层每个通道的关键特征,通过短连接直接作用到模型的分类编码输出层,对分类输出的特征进行增强。在UCAS-AOD目标检测数据集上进行试验,结果表明:本方法相比Yolov3、SSD-512、RetinaNet、Faster-RCNN、R-FCN、R-FCN-OHEM、FPN、RefineDet模型,在UCAS-AOD数据集mAP提升了1.4%-7.6%,在NWPUVHR10数据集提升了2.6-8.6%。2、针对上一章提出的DPCA-Det模型对小目标检测精度不高的问题,提出了自适应负例样本学习的小目标检测模型Fine-DPCA-Det,引入反卷积模块提升预测层特征的分辨率,设计小尺度锚框并挖掘上下文信息以引导小目标的检测,增加空洞卷积增大特征感受野。同时为了进一步提升特征的判别性,设计了自适应负难例学习算法。在UCAS-AOD数据集上进行验证,试验结果表明,本方法相比Yolov3、SSD-512、RetinaNet、Faster-RCNN、R-FCN、R-FCN-OHEM、FPN、RefineDet、DPCA-Det模型mAP提升约0.7-8.3%,在NWPUVHR10数据集和DPCA-Det相当,在IPIU检测数据集mAP提升约0.3%-2.3%。3、针对宽幅遥感影像重叠滑窗检测方法速度慢和误检率高的缺陷,提出了基于兴趣区域重检测的宽幅遥感影像目标检测方法。首先在训练过程中以目标为中心构造塔式样本集,在测试过程以快速滑窗不重叠方式提取潜在目标,以潜在目标为中心,在宽幅影像中采样出新的图像区域进行重检,对检测网络的输入特征进行调整与增强。在IPIU宽幅遥感影像测试数据集上,采用SSD、YOLOv2两种基础网络模型,本文提出兴趣区域重检测方法相比滑窗重叠检测方法mAP提升约1.8%-3.8%,检测时间减少了64-115s。