【摘 要】
：
目标检测作为人工智能各项研究的基础,在各应用领域发挥着重要的作用,其中遥感图像的目标检测在国防安全建设和民用生产等领域具有着重要意义,但由于遥感图像存在目标分布密集、尺寸差异大、方向多变等特点,现有遥感图像目标检测方法表现并不理想,一直是目标检测领域的难点。因此本文分析了遥感图像的主要特点,选择更加灵活、鲁棒的无锚框算法FCOS作为本文研究遥感图像目标检测的基础网络,设计出适合遥感图像的目标检测算
论文部分内容阅读
目标检测作为人工智能各项研究的基础,在各应用领域发挥着重要的作用,其中遥感图像的目标检测在国防安全建设和民用生产等领域具有着重要意义,但由于遥感图像存在目标分布密集、尺寸差异大、方向多变等特点,现有遥感图像目标检测方法表现并不理想,一直是目标检测领域的难点。因此本文分析了遥感图像的主要特点,选择更加灵活、鲁棒的无锚框算法FCOS作为本文研究遥感图像目标检测的基础网络,设计出适合遥感图像的目标检测算法,有效提升了检测性能。本文主要研究内容和工作如下:（1）提出了基于注意力机制的自适应特征增强算法。本文针对遥感图像的多尺度目标和复杂背景,采用CSPRes Net作为特征骨干网络,设计了基于注意力机制的自适应特征增强目标检测算法。首先本文以Recursive-FPN循环特征金字塔网络为基础,通过各级特征图自适应特征融合,使网络能够以更灵活的方式学习每个金字塔级别的感兴趣信息。在此基础上改进混合域注意力机制,设计了一个特征增强模块,以SENet和CBAM为基础引入channel-wise卷积降低计算开销,通过增强各特征图的表达能力提升网络对图像目标信息的学习效率,有效突出前景目标特征,减少杂乱背景信息影响,降低检测出错率。（2）提出了基于可变形卷积的角度特征增强算法。遥感图像由于是俯瞰拍摄,目标具有形态各异、方向任意的特点,因此,本文提出了基于可变形卷积的角度特征增强算法。首先本文设计一个角度特征提取模块,利用可变形卷积对输入特征图进行多角度偏移,通过权重再分配实现对不同角度特征的针对性学习。同时,利用旋转框的外接矩形设计了更加灵活准确的旋转框标注方法。在此基础上在检测头的回归分支增加了一种高效的特征校准模块,减少旋转框的检测误差。最后本文采用了一种新的自适应训练样本选择方法（ATSS）,根据目标特征自动调整正负样本划分的Io U阈值,进一步提升目标检测算法的准确度。本文针对遥感目标尺度差异较大、角度各异的特点,结合深度学习理论提出了适合遥感图像的目标检测算法。经过实验分析,改进之后的算法在DOTA数据集上m AP达到了74.96%,比改进前提升了3.39%,对于密集分布的小目标效果提升尤为明显。因此,本文提出的遥感图像目标检测算法有效提高了检测性能,具有十分重要的现实意义。
其他文献
随着深度学习的浪潮不断袭来,基于深度学习的各种算法的性能极限也在不断刷新。然而作为实现这些人工智能算法的重要基础,足够的优质数据却并不容易获取。随着人们隐私意识的提高和相关法律法规的完善,现实场景中数据分布呈现有限和分散的孤岛。联邦学习算法的提出为在法律约束下使用分布式数据训练联合模型提供了解决方案。然而,传统的联邦学习算法面临着通信成本高、系统异质性、统计异质性、模型异构性和激励措施设计等挑战。
电感式位置传感器是一种非接触式位置传感器,因其具有高可靠性、高分辨率、高线性度和优秀的抗杂散磁场能力等优点而广泛应用于汽车电子、机器人行业、自动仓储行业、太阳能行业、航空航天以及轨道交通运输等行业。随着位置传感器产品不断更迭,电感式位置传感器在未来向着高精度、低噪声、低输出延时、高灵敏度等方向发展,这些发展方向对电感式位置传感器设计提出了更高的要求。本文以提高精度为主要目标,采用0.18μm 30
语义分割作为计算机视觉研究的重要任务之一,能够对图像进行稠密预测,即实现像素级分类。语义分割由于能够提供丰富的场景信息,而被广泛应用于诸多领域,如自动驾驶、医学病灶区域分割、虚拟现实、土地情况检测等。与传统方法相比,深度学习出于其优秀的学习能力和特征表示能力,被广泛应用于很多领域,并促进了这些领域的发展。近年来,在深度学习的推动下,图像语义分割方法取得了长足的进步,但仍存在一些问题。例如,许多语义
图像及视频是信息的高维载体形式,由于与人眼获取信息的方式最为接近,包含大量直观、丰富且有价值的信息内容,因此成为最受欢迎的信息媒介。然而,由于云环境中的不可信存储,以及公共信道中的安全传输难以得到保障,某些包含了机密内容或隐私信息的图像及视频数据面临着泄露、窃取和篡改等严重安全问题。因此,图像及视频内容的安全保护是非常重要且有挑战性的工作。针对上述挑战,从数字图像及视频诞生之初,便有众多学者从不同
高分辨率的高光谱图像具有丰富的空间信息和光谱信息,便于目标检测、识别和跟踪,因而被广泛应用于军事侦察、农业生产和灾害预测等领域。然而,受限于物理设备和成像方式,我们无法获取同时在空间和光谱上都具有高分辨率的高光谱图像,这极大地限制了高光谱图像的应用的精度。因此,通过高光谱图像和同一场景下的全色或多光谱图像融合成高空谱分辨率的目标图像成了一个热门的研究课题。模型驱动融合算法具有严谨的物理意义,但其性
面向遥感图像的目标检测在军用及民用的多个领域有着重要应用,例如车辆检测、船舶检测、城市规划等。深度学习是近几年来的一大热点,基于深度学习的目标检测算法研究发展迅速,在Image Net、COCO等光学图像数据集上有着不俗的表现。随着遥感图像领域的相关研究被人愈发重视,数据丰富、图像清晰的高质量遥感图像数据集也纷纷涌现,这给面向遥感图像的目标检测研究带来了极大的便利。针对光学遥感图像尺寸多样、方向不
近年来,超表面吸波器件因其具有体积小、质量轻、吸波性能好的优势,且能够有效解决传统吸波器件在军事、民用领域高指标的工程需求,从而引发了极大地关注。为了满足宽带以及智能的需求、解决不可调吸波超表面应用受限的问题,可调吸波超表面器件应运而生。一般来说,可调吸波超表面可以通过加载可调元器件或者材料的方式来实现,如基于集总元器件、液晶、石墨烯以及微流控等方式。然而这些方式存在制造复杂、需要外加电源的问题。
无线射频识别是一种不需要物理接触只需通过无线射频通信的方式即可实现对指定实体进行自动识别的技术,它是物联网的核心技术之一,被广泛应用在社会生活中的各个领域。由于RFID系统是以无线方式进行通信,所以不可避免的会受到各种攻击,因此RFID系统的安全性问题成为人们关注和研究的重点。在RFID系统中不仅要求后台服务器要安全可靠,而且标签、阅读器和后台服务器之间的通信也要实现安全和隐私保护。当前人们提出了
与其他学科相比,人工智能（artificial intelligence,AI）的历史并不算长,但是随着时代的发展,AI受到越来越多的关注。AI把人们从繁重的工作中解放出来,人们也乐于应用AI解决复杂的问题。但是提高AI的性能并不是简单地增加图形处理器,人们尝试寻找新的神经网络形态,研究新的学习算法,期望在处理速率以及功耗方面有所突破。脉冲神经网络（spiking neural network,S
梯度折射率（Gradient-index,GRIN）透镜具有渐变的折射率分布,理论上通过控制GRIN器件的折射率分布,可以实现各种奇异电磁特性。然而,现有的GRIN透镜普遍缺乏重组能力,一旦被制造出来就只具有静态功能,这一问题极大限制了GRIN器件的应用。本文着眼于现有GRIN器件设计的不足之处,创造性地提出了全电介质GRIN器件的重组方案,利用一种可插拔结构单元,设计了可任意拼接的超材料透镜。首