论文部分内容阅读
高分辨率遥感图像目标检测是遥感图像理解任务中的热点研究问题,是许多遥感图像分析任务的基础。随着信息技术与遥感技术的发展,越来越高空间分辨率的可见光遥感图像使遥感目标的精细检测识别成为了可能。近年来,深度学习方法在自然场景目标检测领域取得了突破性进展,无论是在检测识别准确率还是算法的鲁棒性等方面,都超越了基于传统手工设计特征的方法。但是由于遥感图像中目标存在成像视角单一、目标分布密集和目标尺度变化大等特点,直接将自然场景目标检测方法应用于遥感图像目标检测任务中,并不能获得满意的效果。因此,本文围绕深度学习与高分辨率遥感图像目标检测问题,在舰船目标检测识别、军事飞机检测识别等具体问题上开展了一系列的工作。论文主要针对高分辨率可见光遥感图像中的舰船目标检测问题,在基于深度学习的自然场景目标检测算法的基础上,结合遥感图像的特点做出以下针对性的改进方法:(1)提出了基于旋转矩形区域的遥感舰船目标检测算法。首先,通过对舰船这类具有目标狭长且分布密集物体的观察研究,使用旋转矩形框表示舰船目标检测结果。通过分析,这种表示方法无论是从视觉直观上还是从算法性能上都要优于当前的水平举行框表示方法。为了实现基于旋转矩形框的舰船检测,在Faster RCNN算法的基础上,对RPN网络进行了改进使其可以输出带有旋转角度的候选区域。(2)提出了兴趣区域特征金字塔池化模块。尺度变化大是遥感目标检测面临的难点问题。本文设计提出了可以融合多尺度池化特征的兴趣区域特征金字塔池化模块,可以提取到更加有效的兴趣区域图像特征,进而完成更好的分类,提升算法处理多尺度目标的能力。(3)设计了定位准确度预测分支,通过引入定位准确度指导非极大值抑制算法,优化了后处理算法。当前后处理采用分类置信度作为后处理过程中目标框的排序依据,但是根据分析发现分类置信度跟网络定位结果的质量之间存在不匹配的关系。因此设计了定位准确度预测分支,通过回归网络对定位结果的质量进行打分,在非极大值抑制算法中以定位分数作为目标框的排序依据,并且在算法流程中实现预测框的分数更新,优化了后处理的结果。提出的算法改进在公开数据集HRSC2016上进行了验证。实验证明所提方法的有效性。