论文部分内容阅读
遥感图像具有高分辨率的特性,它通常被用于城市规划、军事等领域,无论是在科学研究还是实际应用中都具有十分重要的意义。在本文中,主要研究的是如何使用深度学习进行自适应的遥感图像融合分类与检测任务。本文基于深度卷积神经网络,提出了一种新的遥感图像融合分类方法和两种光学遥感图像目标检测方法。1.提出一种基于深度自适应特征学习的遥感图像融合地物分类方法。该方法是基于深度学习提取图像特征,一方面在特征通道上对不同数据的信息进行融合,另一方面在特征通道上对不同大小的像素块信息进行融合,融合之后再使用压缩与激励网络(Squeeze-and-Excitation Networks,SENet)对不同通道的特征信息进行一个再融合的过程。通过这种融合结构得到融合特征之后再进行分类,得到融合分类的结果。本方法的关键在于融合了不同数据以及像素不同尺度的信息,加入了SENet的网络有自适应通道权重的学习过程,即自适应特征学习的过程,能够自适应的针对不同种类的地物,得到不同的权重信息,从而提高整体的融合分类的准确率。2.提出一种基于深度自适应区域建议网络的遥感图像目标检测方法。该方法是基于快速卷积神经网络(Faster Regions Convolution Neural Network,Faster RCNN)改进的,主要针对遥感图像中目标分布不均的现象,设计了一个类别先验网络生成先验信息,用于预测每张待检测图像中各个类别是否存在以及目标的数量,这个先验信息用于指导候选框的生成。类别先验信息结合精细区域建议网络可以生成自适应的候选框。本方法的关键在于类别先验网络的引入,克服了现有基于深度的检测网络中候选框数目过多导致网络难以学习的问题。因此自适应的候选框更有利于深度网络检测的训练与测试,从而提升了检测的精度。3.提出一种基于多尺度空间预测学习网络的遥感图像目标检测方法。该方法是基于特征金字塔网络(Feature Pyramid Networks,FPN)进行改进的,主要是针对深度检测网络中正负候选框数目严重不均的问题,设计了一个空间尺度模块。首先是用深度网络提取特征后,使用空间尺度网络得到目标的空间尺度信息。然后使用FPN网络来进行检测,其中区域建议网络会根据目标的空间信息进行候选框筛选,从而筛选出高效的正候选框,更重要的是可以选择与目标尺度相当的框作为负样本框。最后对每个候选框进行检测,得到最终的检测结果。本方法的核心在于空间尺度信息对负样本进行了限定,使得网络的训练更加具有方向性,能够抑制复杂的背景信息,因此与FPN相比得到较好的检测结果。