论文部分内容阅读
随着遥感技术的发展,遥感图像的获取越来越方便,遥感图像的目标检测与地物分类也越来越受到人们的重视。近年来,在深度学习的背景下,遥感图像的处理与解译得到进一步的发展。提高遥感图像目标检测和地物分类的性能是一个非常有意义的研究课题。针对现有遥感图像目标检测与地物分类算法中存在的问题,基于深度卷积网络特征融合,本文提出了两种新的遥感图像目标检测方法与一种新的遥感图像地物分类方法,主要工作如下:1.针对卷积网络中随深度层次不同存在尺寸大小不同的特征图,提出一种基于插值特征融合卷积神经网络的遥感图像目标检测方法(F-SSRD),该方法主要针对常用的检测算法如Faster R-CNN、SSD等对小目标检测效果较差的缺陷。F-SSRD算法构建了一个插值特征学习与融合网络,网络分为插值特征融合模块和检测模块。与传统目标检测方法相比,该方法的关键在于利用双线性插值法对深层尺寸小的特征图的分辨率进行提高,并将其与浅层尺寸大的特征图进行融合,提高了浅层特征的语义信息,使得F-SSRD方法提高了对小目标的检测精度。在NWPU VHR-10数据集上F-SSRD算法取得了比当前检测算法更为优越的效果。2.提出一种基于两步级联特征融合卷积神经网络的遥感图像目标检测方法(F-SSRDv2)。该方法主要针对F-SSRD算法的检测精度来进行的,希望相比于F-SSRD,F-SSRDv2能够对不同大小目标的检测精度进行进一步的提高。F-SSRDv2是在F-SSRD的基础上做的改进,继承了F-SSRD的检测模块,并对特征融合模块进行改进,使用了一种两步级联的特征融合策略将深层特征与浅层特征融合,使得不同层级特征之间能够更好地进行信息结合。在网络的训练中,引入了Focal Loss损失函数,并以Focal Loss函数为基础设计多任务损失函数。该方法的关键在于,使用两部级联的特征融合策略增强不同层级特征之间的信息结合能力,使用Focal Loss损失函数避免训练中出现的正负样本分布不均的现象,从而提高网络对于不同大小目标的检测精度。在NWPU VHR-10数据集上,F-SSRDv2算法取得了优于F-SSRD的效果。3.提出一种基于特征融合与随机森林的遥感图像地物分类方法(DL_RF)。该方法针对遥感图像地物分类中存在的物体类别稀疏程度不同以及图像信息较为复杂的问题。使用卷积神经网络提取尺寸大小不同的特征,并将这些特征进行融合,使用随机森林的方法对获得的融合特征进行分类。在高光谱数据以及LIDAR数据上的实验结果表明,DL-RF算法取得了比传统算法更为优越的效果。