论文部分内容阅读
高分辨率的遥感图像目标检测和语义分割是遥感图像分类技术的两大热门研究领域。近年来,深度学习算法在计算机视觉领域取得巨大成功,无论是在目标检测,还是在语义分割任务中,都超越了传统的浅层机器学习算法。但是遥感图像不同于普通的街景图像,在语义分割方面,遥感图像具有成像复杂,信息多样等特点;在目标检测方面,遥感图像具有目标大小尺度不一,目标分布密集等特点。如果将现有的图像分类算法直接应用于遥感图像中,得到的效果并不理想。本文根据高分辨率遥感图像的特点,针对语义分割和目标检测设计并改进了两个不同的网络。具体内容安排如下:(1)本文设计了一种基于下采样的特征融合遥感图像语义分割网络,该网络通过把高分辨率的原始图像引入下采样模块提取低级语义特征,在已提取的低级语义特征基础上,利用MobilenetV2网络和空间金字塔池化层进一步提取多尺度高级语义细节特征,最后将得到的低级语义特征和高级语义特征进行融合处理,这样降低了网络复杂度,避免了过拟合现象的发生,减少了计算量。通过在公开的数据集上训练并测试,全局准确率超过了另外四种经典的语义分割网络。(2)针对经典的Faster-RCNN网络出现的小目标定位不精确问题,本文对该网络进行了改进,让改进后的网络更适合遥感图像小目标检测。具体的改进措施有两个:(1)为在原Faster-RCNN网络后增加了定位精修网络,该网络将从卷积神经网络中得到的特征图和回归层得到的候选框继续输入RoI Pooling层中对目标的定位进行精修,从而提高定位准确率;(2)将RPN网络中产生的候选框由9个调整为大小不同的12个,使改进后的网络更适合遥感图像小目标检测。通过改进,平均准确率比Faster-RCNN网络提高了4%。对于尺寸较小的目标,比如车辆,平均准确率也提高了6.8%。