基于深度学习的遥感图像茶园区域识别应用研究

得益于遥感技术的发展和深度学习在图像处理方面的进展,采用深度学习识别遥感图像的方法被广泛应用。与传统的统计农作物种植面积方法相比较,通过深度学习的方法来识别茶园种植区域,可以减少人工依赖,节约人力资源,实时获取数据,具有更高的时效性。数据来源于Bigmap,以贵州省卫星遥感图像为数据基础,提出了使用深度学习来识别茶园区域的应用方法。实验目标为从整张遥感图像中提取出茶园种植区域。首先对遥感图像进行数据预处理,然后采用人工目视解译的方法标注出茶园区域并制成数据集,将数据集导入神经网络进行训练获得网络模型,最后将验证图像放入到训练好的神经网络当中,获得验证结果;检测精确率为95.83%,检测召回率为85.00%。     

FRDet:一种基于候选框特征修正的多方向遥感目标快速检测方法

在遥感图像的目标检测任务中,为了能更加准确地定位目标,现有的基于候选框特征提取的one-stage检测方法是在每个空间位置上,充分预设多个候选框从而覆盖住待检测目标,然而这会造成one-stage检测方法计算复杂度的大幅提升。本文提出一种基于候选框特征修正的多方向遥感目标检测方法。在该方法中,特征图的每个位置仅预设一个候选框,通过回归学习进行特征修正后得到的候选框替换掉原始的框,再由one-stage检测方法的分类层和回归层分别进行识别和定位。所提方法采用Mobilenetv2作为检测网络的基本结构,在DOTA数据集上飞机的检测率可达96.8%,虚警率为6.7%,mAP值达0.87,并且具有完全的实时结果,超过了SSD、YOLOv3等所有基于候选框特征提取的的遥感图像检测方法。由于本文方法巧妙地避开了候选框的宽高比和尺度的先验设计,因此本文方法很容易应用于其他类似的检测任务中,即插即用,具有很强的任务适应性。     

基于多结构卷积神经网络的高分遥感影像飞机目标检测

传统的遥感影像目标检测方法大多利用人工提取特征,难以用于背景复杂的高分辨率遥感影像。针对该问题,构建一种多结构卷积神经网络模型(MSCNN)自动学习目标特征。通过改变卷积滤波器尺寸、数量以及网络层数,分别设计4种不同结构的CNN以提取目标从低层、中层到高层不同尺度的特征信息,并将4种CNN输出采用串行方式连接并输入到BP神经网络分类器进行训练。在检测阶段采用滑动窗口方法进行目标搜索。对高分辨遥感影像中飞机的检测实验结果表明,MSCNN在虚警率和召回率上较4种单一结构的CNN具有明显的检测优势,召回率平均提升6%,虚警率平均降低3%。对油罐的检测结果进一步表明,MSCNN可以推广到对遥感影像其他目标的检测。     

无锚点的遥感图像任意角度密集目标检测方法

针对基于深度学习的遥感图像目标检测方法密集目标漏检率高、分类不准确的问题,建立了一种基于深度学习的无锚点的遥感图像任意角度的密集目标检测方法。首先采用CenterNet作为基线模型,经过主干网络提取特征,并改造原有检测器结构,即加入角度回归分支进行目标角度回归;然后提出一种基于非对称卷积的特征增强模块,并将主干网络提取到的特征图输入特征增强模块,从而增强目标的旋转不变性特征,消除由于目标的旋转、翻转带来的影响,进一步提升目标中心点、尺寸信息的回归精度。采用HourGlass-101作为主干网络时,该方法在DOTA数据集上的平均精度均值（mAP）比旋转区域候选网络（RRPN）提升了7.80个百分点,每秒处理帧数（FPS）提升了7.5;在自建数据集Ship3上,该方法的mAP比RRPN提升了8.68个百分点,FPS提升了6.5。结果表明,所提方法能获得检测精度和速度的平衡。     

基于深度学习算法的高分辨率无人机遥感图像自动分割

高分辨率无人机遥感图像自动分割对于图像的目标识别与检测具有重要意义,为提升图像分割精度,提出基于深度学习算法的高分辨率无人机遥感图像自动分割方法。采用直方图均衡化算法增强遥感图像后,构建基于编/解码器架构的深度学习网络语义分割模型,针对增强后的图像,在编码环节中引入残差模块强化对分割目标有效的特征;在解码环节中,采用多尺度融合模块将低层特征的局部细节信息和高层特征的语义信息相融合。同时针对遥感图像内地物类别不均衡的现象,以带权重的交叉熵为模型损失函数,克服模型选择偏好问题,提升模型分割精度。实验结果显示该方法可准确分割遥感图像内不同类型目标,分割精度达到95%以上。     

结合轮廓粗筛和HOG细分的快速行人检测方法

为解决现有行人检测方法虚警率高、运算效率低的问题,提出一种快速行人检测方法。首先,依靠轮廓的几何特征进行第一层粗筛选,依据轮廓的不变矩特征进行第二层粗筛选,剔除干扰目标,降低虚警率。在此基础上,裁剪图像上的可疑图像块,仅在可疑图像块上提取HOG特征,并结合线性支持向量机进行特征分类,进一步降低虚警率。同时由于大幅减少了提取HOG特征的数量,从而提高了运算效率。仿真实验在INRIA数据集上进行训练,在Caltech数据集上进行验证。结果表明,该方法的行人检测虚警率低,运算效率高。     

线性约束与局部对比相耦合的多光谱遥感图像中目标探测

目标探测是遥感影像信息提取中的重要内容,然而,随着目标像元数目增多和相似地物的干扰,目标探测的虚警率会明显上升。将线性约束最小方差方法(LCMV)与局部对比方法(LCM)相结合,构建了一种新的多光谱遥感图像中目标探测方法(LCLCM):首先利用样本相关矩阵对目标进行半解混,然后利用图像的空间性增强目标信息、抑制背景信息,最后进行图像归一化和图像分割。以Landsat 8多光谱图像中船只提取为例进行方法验证,LCLCM的虚警率为1.07%,优于LCMV和LCM的虚警率12.39%和11.26%,表明该方法能够进行有效稳健的目标探测。     

基于局部显著度的机动弱小目标检测算法

由于待检测的红外远距离目标具有尺寸小、辐射低、背景复杂等检测难点,以高检测率、低虚警率、高实时性进行红外小目标检测一直是一个具有挑战性的课题；文章提出一种基于局部显著性的变速运动目标累积检测算法,利用辐射能量积累方法提高目标在背景中的信噪比；首先,建立矢量空间及一阶导数空间,对序列图像的每帧进行基于块显著度的局部对比度增强处理,增强目标辐射能量并抑制背景,同时显著减少了计算量；然后,进行变速运动空间及导数矢量空间的辐射能量叠加,在空间矢量及导数矢量空间中检测序列图像中的目标在矢量空间及导数矢量空间运动特征的存在概率；最后,通过恒虚警检测得到目标的位置向量、速度、加速度向量,完成目标检测；实验结果验证了提出方法的有效性,其检测率及虚警率均优于其他方法,其中信杂比增益提高了22.30,背景抑制因子提高了3775.68,处理时间开销降低了0.65秒；     

基于SVM的遥感影像目标检测中的样本选取

在基于支持向量机的遥感影像目标检测中,因为有限的目标样本和相对复杂的背景,造成检测结果的虚警率偏高。论文提出了自举算法用于样本的选取,试验表明该方法可使检测的虚警率成倍降低。     

基于改进Yolo v3算法的遥感建筑物检测研究

针对遥感图像中建筑物检测存在小型建筑物检测难度大、检测过程中无法满足实时性等问题,提出将基于深度学习的目标检测算法Yolo v3应用到建筑物检测场景中。以实时性及泛用性良好的Yolo v3为基本算法,满足实时性的要求;通过改进Yolo v3的网络结构,以修改特征图分辨率、调整先验框维度为方向加强对小型建筑物的检测能力。实验结果表明,改进的Yolo v3目标检测算法既满足了实时性的要求,且检测精度和召回率达到了91.29%和95.61%,较原算法分别提高了5.35%和2.34%。因此提出的改进方法有效解决了遥感领域小型建筑物的检测问题。     

高分辨率光学遥感影像舰船检测算法研究

针对传统舰船检测方法在高分辨率光学遥感影像中虚警率较高的问题,提出了一种适用于高分辨率光学遥感影像的舰船检测算法。利用能够表征地物纹理特征的二维图像熵结合区域生长原理实现海陆分离,在舰船目标分割阶段,引入视觉显著性模型,解决了不能分割暗极性舰船目标的问题,大部分场景下分割精度较高。最后在分割出的候选目标中,采用多特征量综合的方法剔除虚警。结果表明,该算法在舰船目标检测中有较高的检测率和较低的虚警率。     

基于图像显著性区域的遥感图像机场检测

针对已有方法对图像逐像素进行分析的不足,将人眼的注意力选择计算模型引入到遥感图像的机场目标检测中,提出一种基于图像显著性区域的遥感图像中机场目标检测与识别的方法,以提高自动目标检测的效率.首先利用霍夫变换对遥感图像中是否存在机场目标进行初步筛选,然后利用改进后的基于图像的视觉显著性模型提取显著性区域,根据区域上的尺度不变特征变换特征并结合多层分类回归树完成机场目标的识别.实验结果表明,该方法比现有的其他机场检测方法具有速度快、识别率高、虚警率低的特点,同时对噪声有较强的鲁棒性.     

一种改进的快速人脸检测算法

针对AdaBoost人脸检测算法易受到纹理干扰而造成误检的情况,提出了一种结合自适应肤色验证的快速人脸检测算法CMFS。该算法首先用运动检测为前置处理减小人脸检测搜索范围,然后用AdaBoost算法检测出人脸候选区,最后根据人脸候选区的平均亮度自适应地选择是否启用肤色验证作为后处理以排除虚警。实验结果表明,提出的CMFS检测算法在保证检测率的同时,提高了检测速度,并大大降低了误检率。     

航空遥感图像深度学习目标检测技术研究进展

航空遥感图像目标检测旨在定位和识别遥感图像中感兴趣的目标,是航空遥感图像智能解译的关键技术,在情报侦察、灾害救援和资源勘探等领域具有重要应用价值。然而由于航空遥感图像具有尺寸大、目标小且密集、目标呈任意角度分布、目标易被遮挡、目标类别不均衡以及背景复杂等诸多特点,航空遥感图像目标检测目前仍然是极具挑战的任务。基于深度卷积神经网络的航空遥感图像目标检测方法因具有精度高、处理速度快等优点,受到了越来越多的关注。为推进基于深度学习的航空遥感图像目标检测技术的发展,本文对当前主流遥感图像目标检测方法,特别是2020—2022年提出的检测方法,进行了系统梳理和总结。首先梳理了基于深度学习目标检测方法的研究发展演化过程,然后对基于卷积神经网络和基于Transformer目标检测方法中的代表性算法进行分析总结,再后针对不同遥感图象应用场景的改进方法思路进行归纳,分析了典型算法的思路和特点,介绍了现有的公开航空遥感图像目标检测数据集,给出了典型算法的实验比较结果,最后给出现阶段航空遥感图像目标检测研究中所存在的问题,并对未来研究及发展趋势进行了展望。     

Onboard target detection in hyperspectral image based on deep learning with FPGA implementation

Onboard target detection of Hyperspectral Imagery (HSI) is widely adopted in the field of remote sensing. It requires high detection accuracy and low computational complexity for processing a large volume of HSI data. In this study, a Locally Preserving Discriminative Broad Learning (LPDBL) was introduced for target detection due to its simple, excellent generalization ability, and its competitive performance. The detection was done through spatial-spectral information, band selection, and estimation of the covariance matrix. The fisher discriminant method was used to reduce the dimension of HSI data. Weights was adjusted through manifold regularization in order to enhance the detection ability of the proposed method. To study the performance of the proposed LPDBL, experiment was conducted on two different datasets of HSI. The results revealed that the proposed method performed better and suitable for target detection. The LPDBL was implemented on Virtex-7 Field Programmable Gate Array (FPGA) board. Furthermore, the LPDBL technique was practically validated by two different techniques such as a broad learning system (BLS) and Automatic Target Detection in HSI (ATD-HSI). The result obtained from the FPGA was very close to the actual target position.     

基于动态排位信息的语音关键词确认方法

给出一种适用于在线垃圾模型的基于动态排位信息的关键词确认方法,利用识别过程中声学得分的排位信息进行关键词确认,能在不降低检出率的同时有效降低系统的误警率,效果优于同类方法。该方法不依赖于具体的关键词表,计算简单,能够应用于实际工程中。     

舰载雷达环境下CFAR模块的设计与实现

在舰载雷达目标检测系统中,回波中的杂波与噪声严重影响了系统的检测性能,为此设计了基于FPGA的抗恶劣环境舰载雷达(CFAR)模块.该模块采用抗多目标干扰能力优良的GO-CFAR处理方式,通过数据处理、流水处理排序以及数据流调节等方法加以实现.该模块与传统的恒虚警检测器相比,明显地改善了系统的稳定性和检测性能.