论文部分内容阅读
随着遥感信息技术和视觉智能技术的不断发展,遥感目标检测技术持续在诸多领域提供服务。国内外的研究学者进行了大量基于传统特征提取方法和深度学习的遥感目标检测方法的研究。然而现有的目标检测方法仍存在以下不足:(1)传统目标检测方法的特征表征能力较浅,且候选区域生成算法计算性能较低。(2)现有的深度学习检测算法泛化能力较弱,仅适用于特定的目标类型,难以解决光学遥感影像中存在的目标尺度不一、稠密聚集等挑战。因此目前的光学遥感影像目标检测算法仍有广阔的发展空间,研究更高效的检测算法具有重要的学术和应用价值。本文分析了当前目标检测方法与理论的不足,研究了任意角度遥感目标的检测技术,设计了适用于多种尺度和稠密度的遥感目标检测网络,实验了多种方法来增强检测网络的空间变换能力。具体工作内容如下:(1)针对光学遥感影像稠密目标检测中存在的错检漏检较多的难点,通过对稠密目标特征的分析,设计了联合分支四边框检测框架RA-CNN,由并列的垂直框和任意四边框分支共同参与网络权重的优化。设计了候选区域的自适应ROI特征提取方法,在背景噪声抑制与空间信息保留之间取得平衡,并通过全局大卷积模块实现了对ROI上下文信息的获取。对稠密目标中存在的样本不平衡问题以及Smooth L1损失与IOU评测不一致的问题,提出了改进的损失函数:高斯调节分类损失与联合修正定位损失。通过这两种损失进行多任务学习并在基础网络结构中采用可变卷积来增强模型的空间变换能力,使得对稠密目标和小目标的分类和定位准确性得到显著提升。(2)针对光学遥感影像多尺度目标检测中存在的小目标检测性能较低的难点,通过分析不同尺度的特征对检测精度的影响,设计了基于孔洞卷积和Inception结构的多感受野特征融合结构RF-Inception,并通过由通道注意力和位置空间注意力相结合的残差模块Res CSA实现对融合特征的筛选。在网络的检测输出部分通过级联结构,减少小目标的信息丢失,提升不同IOU阈值下的整体性能。结合上述的优化方法在两种遥感数据集上展开了综合对比实验,结果表明本文所提的网络结构和关键算法对于光学遥感影像多尺度及稠密目标检测具有较高的准确率及良好的泛化性能。(3)根据本文对光学遥感影像目标检测的研究成果,设计了基于web平台的高分辨率光学遥感影像目标检测应用软件。对软件的组织架构、目标检测模型的模块化接口和调度流程进行了详细描述。最终实现了对不同分辨率、不同尺度和稠密度的多类目标的高效检测。