遥感影像目标的尺度特征卷积神经网络识别法

高分辨率遥感影像的目标检测与识别,是高分对地观测系统中影像信息自动提取及分析理解的重要内容。针对传统影像目标检测与识别算法中人工设计特征稳健性与普适性差的问题,本文提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别方法。首先通过统计遥感影像目标的尺度范围,获得卷积神经网络训练与测试过程中目标感兴趣区域合适的尺度大小。然后根据目标感兴趣区域合适的尺度,提出基于高分辨率遥感影像目标尺度特征的卷积神经网络检测与识别架构。通过WHU-RSone数据集对本文卷积神经网络架构与Faster-RCNN架构对比测试验证。试验结果表明,本文架构ZF模型和本文架构VGG-16模型的mean average precision(mAP)分别比Faster-RCNNZF模型和Faster-RCNNVGG-16模型提高8.17%和8.31%,本文卷积神经网络架构可获得良好的影像目标检测与识别效果。     

基于卫星遥感的输油管廊沿线的地物识别研究

基于eCognition软件进行研究区域面向对象的信息提取,对研究区进行多尺度影像分割的实验,找到适合影像地物信息提取的尺度及参数、分类规则,并对研究区的影像数据进行验证,通过eCognition分类结果与传统分类和基于GBDT分类算法结果的对比,说明面向对象的特征提取算法更适用于几何信息和结构信息丰富的高分辨率图像.     

基于深度卷积神经网络的遥感图像船只识别

根据遥感图像的特点,针对海面目标难以准确识别的问题,提出了一种基于深度卷积神经网络的船只识别方法.首先利用分类网络进行图像的预分类,然后在分类结果的基础上,构成双通道的识别体制,识别网络采用Faster R-CNN.针对受云雾遮挡的船只识别问题,利用改进的深度卷积神经网络结构开展网络训练与调优,处理结果的F1-Scor...     

面向精细化多尺度特征的遥感图像目标检测EI北大核心CSCD

遥感图像目标检测是对目标视觉特征的描述与图像先验知识的表达,解译得到的信息无论在军事领域还是在民用领域都有着广泛的应用。针对复杂场景下遥感图像目标特征提取能力不足,目标尺度差异较大、方向任意且紧密排列,传统目标检测所使用的水平框难以准确定向等问题,提出了一种精细化多尺度特征的遥感图像定向目标检测算法。首先,设计了一种基于空洞卷积的上下文注意力网络,能够利用不同空洞率的卷积核捕获局部和全局语义信息,并利用注意力机制将语义信息整合到原始特征上,提升目标特征提取能力;其次,提出了一个精细化的特征金字塔网络,通过像素混洗的方式减少特征金字塔中的通道信息损失,强化网络对差异性大的多尺度目标特征信息的理解能力;最后,研究利用滑动顶点的方式回归定向的矩形框,更好地表示遥感图像内有向目标的位置。本文以Fast R-CNN OBB为基准,通过在目标检测公开数据集DOTA和HRSC2016上验证了算法的有效性,结果显示本文算法在DOTA数据集上与基准算法比较,平均精度(mAP)提升了22.65%,最终检测精度mAP达到了76.78%。在HRSC2016数据集上,最终检测精度mAP达到了89.95%。此外,本文算法较多种先进算法相比均有具有较好的提升。     

高分辨率遥感影像信息提取与目标识别技术研究

由于高空间分辨率遥感影像海量数据、复杂细节和尺度依赖的特点决定了高分辨率遥感影像处理的技术难点。在总结以往高分辨率影像(航空影像)信息提取技术的主要难点和不足,从理论上和实践上分析了基于特征基元的高分辨率遥感影像处理与分析的意义,提出了基于特征基元的高分辨率遥感影像多尺度信息提取技术框架。最后对此框架进行总结与分析,指出了目前研究中仍存在的难点和今后的研究重点。     

深度学习技术在遥感影像滑坡识别中的应用

探索遥感影像滑坡识别方法对于抢险应急指挥具有重要意义。传统的人工现场勘察速度慢、效率低,因此本文提出了一种基于深度学习的遥感影像滑坡识别方法。该方法首先基于毕节滑坡影像构建样本集,为了增强模型泛化能力,对训练集进行扩充增强并加入部分非滑坡数据,然后搭建U-Net深度学习模型并输入训练集进行训练。最后,利用测试集和北京市房山区、延庆区的两处实际滑坡区域对模型进行测试。实验结果表明,该方法要优于常规的数学形态学与SegNet模型方法,方法精度较高,能够实现影像滑坡区域的有效识别。     

多尺度并联卷积神经网络遥感影像油罐目标检测算法

针对传统遥感影像油罐目标检测算法依赖油罐圆形特征,对于背景复杂和存在大量小目标的情况检测效果差的问题,提出一种多尺度并联卷积神经网络油罐目标检测算法.首先根据油罐目标尺寸对各神经网络检测效果的影响规律,采用不同网络架构分别检测不同尺寸的油罐目标;其次利用经过训练的分类网络对上述检测结果进行后处理,剔除可能存在的误检;最...     

一种改进的RFB Net遥感影像目标识别算法

针对高分辨率遥感影像场景复杂,现有的目标识别算法检测率较低且速度较慢的问题,提出了一种改进的RFB Net模型。算法在RFB Net模型的基础上构建特征金字塔网络,融合高层语义信息和低层特征信息,提高了网络识别能力。为验证该算法性能,以遥感影像中飞机目标为例进行了实验验证。以油罐和立交桥目标为例,对该算法的推广性进行了实验验证。结果表明,改进的RFB Net模型在遥感影像目标识别中精度较高、速度较快,且具有较好的推广性。     

深度学习在遥感影像分类与识别中的研究进展综述

深度学习一直是机器学习和人工智能研究的热门主题,特别是将深度学习这一深层网络学习算法和遥感影像分类与识别联合起来,使得传统训练算法的局部最小性得以解决。本文首先简要介绍了遥感影像分类与识别算法的发展和经典算法的局限性,其次介绍了深度学习的几种主流算法并分析它们在遥感影像分类与识别处理方面的应用现状,最后对未来深度学习应用于遥感识别与分类趋势进行了展望。     

高分辨率遥感影像目标形状特征多尺度描述与识别

在高分遥感影像中,同类地物目标形状具有多样性,单一尺度或单一形状模版不足以描述同类目标的形状。本文利用小波变换和Fourier描述子构建了一种目标形状的多尺度描述模型,并基于该模型给出了一种新的面向对象的高分遥感影像目标识别方法。从上到下,该模型采用尺度依次减小的小波近似系数对原始形状进行近似表示,并利用Fourier描述子对其进行定量描述。利用语义规则综合考虑多个尺度下的识别结果,得到最终识别结果,减小小尺度下分割目标破碎和大尺度下小目标无法识别造成的影响,提高识别精度。基于本文方法分别对高分遥感影像中的飞机和建筑物进行识别,对比实验表明,该方法具有较高识别精度。     

顾及地物空间关系的卫星影像水系信息提取

为了更好地提取影像阴影部分的信息,本文采用一种顾及地物间空间关系的水系提取方法,将地物之间的空间关系与面向对象的方法相结合。通过多尺度分割算法生成同质的影像对象,利用决策树、隶属度函数和阴影与建筑物的邻接关系对水体进行提取。以昆明某区域影像为实验数据进行了试验,试验结果表明,所提出的方法可以有效解决阴影对水系提取造成的影响,大大提高了水系提取的精度。     

小型文物摄影测量三维建模主体对象识别

通过拍照进行三维建模的摄影测量技术是文物数字化的重要手段,然而,在摄影测量文物三维重建过程中,文物所在的场景背景也同时参与计算和建模,需要设法删除,以获得文物单体模型.针对上述问题,本文提出一种小型文物三维模型主体对象识别方法,能够自动删除文物摄影测量三维模型的背景数据.该方法分别利用深度学习网络Mask R-CNN和...     

多源卫星遥感影像区域网联合平差技术

针对地理国情普查数字正射影像底图制作过程中数据源种类多、数据量大以及传统的单景正射纠正方法费时费力等问题,该文提出了多源卫星遥感影像区域网联合平差法,对大区域多景多源卫星影像进行正射纠正的方法。先利用各影像间的连接点进行自由网平差,建立一个稳固的网形;然后在自由网中均匀地添加少量地面控制点,对整个区域进行控制网平差。平差过程中利用仿射变换模型对RFM进行像方改正,以减小其系统误差。实践证明该方法可以获得较高的成图精度,满足地理国情普查底图DOM制作的精度要求,且能提高DOM的生产效率。     

深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明：基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。     

联合局部二值模式的CNN高光谱图像分类

卷积神经网络CNN（Convolutional Neural Networks）具有强大的特征提取能力,应用于高光谱图像特征提取取得了良好的效果,双通道CNN模型能够分别提取高光谱图像的光谱特征和空间特征,并实现了特征的决策级融合。局部二值模式LBP（Local Binary Patterns）是一种简单但有效的空间特征描述算子,能够减轻CNN特征提取的压力并提高分类精度。为了充分利用CNN的特征提取能力及LBP特征的判别能力,提出一种双通道CNN和LBP相结合的高光谱图像分类方法,首先,采用1维CNN（1D-CNN）模型处理原始高光谱数据提取深层光谱特征,同时采用另一个1D-CNN模型处理LBP特征数据进一步提取深层空间特征,然后,将两个CNN模型的全连接层进行连接,实现深层光谱特征和空间特征的融合,并将融合特征输入到分类层中完成分类。实验结果表明,该方法在Indian Pines数据、Pavia University数据及Salinas数据上能够分别取得98.54%、99.73%、99.56%的分类精度,甚至在有限数量的训练样本条件下也能取得较好的分类效果。     

航拍图像跨数据域特征迁移道路提取方法

针对传统道路提取方法应用于新数据泛化能力不足的问题,研究了通过特征迁移和编解码网络实现跨数据域的道路提取方法。首先,构建了基于编解码网络的道路提取基本模型,用于实现单一数据来源的道路提取任务。然后,基于道路提取网络结构和循环一致性原则,提出了用于跨数据域图像特征迁移的循环生成对抗网络,使目标域图像映射入源域特征空间。使用预训练的道路提取模型处理特征迁移后的目标域图像,即可实现跨数据域道路提取任务。试验结果表明,本文所提方法能够拓展道路提取网络的泛化能力,准确有效地提取跨数据域图像中的道路目标。相较于未特征迁移的结果,本文所提方法大幅改善了道路提取指标,使得F1提升了50%以上。本文方法不需要目标域的标注信息,也不需要对道路提取网络进行微调训练,而只需训练由目标域向源域的特征迁移模型,所耗时间和人力成本较低,因而具有良好的应用价值。     

IEU-Net高分辨率遥感影像房屋建筑物提取

房屋建筑物作为人类活动的主要场所,快速准确地将其从高分辨率遥感影像中提取出来,对促进遥感信息在防灾减灾、城镇管理等方面的应用具有重要意义。本文基于深度学习,提出了高分辨率遥感影像房屋建筑物像素级精确提取方法。首先,针对样本图像边缘像素特征不足现象,以U-Net模型为基础提出IEU-Net模型,设计了全新的忽略边缘交叉熵函数IELoss并将其作为损失函数,另外添加Dropout和BN层在避免过拟合的同时提高模型训练速度和鲁棒性。其次,为解决模型特征丰富度有限的问题,引入形态学建筑物指数MBI,与遥感影像RGB波段一同参与到模型的分类过程。最后,在模型预测时与IELoss相对应采用忽略边缘预测策略从而获得最佳建筑物提取结果。实验对比分析表明：本文方法能有效克服样本边缘像素特征不足问题并抑制道路、建筑物阴影对结果的影响,提升高分辨率遥感影像中房屋建筑物的提取精度。     

兼顾连通性的U-Net网络高分辨率遥感影像道路提取

遥感影像道路提取结果中的断线一方面降低了提取精度,另一方面影响了道路形态完整性,使得提取结果不能直接应用于空间决策与分析。本文基于U-Net网络在高分辨率遥感影像道路提取时全局特征表达的优势,提出一种兼顾连通性的道路断线修复方法完善U-Net网络局部特征表达的劣势。首先,利用数据增强和扩充数据量后的样本数据作为U-Net网络的输入以此训练模型并进行最优模型的道路提取;然后,对提取结果中出现的道路断线以三次多项式曲线拟合的形式进行优化处理。实验表明,与相近网络比较,本文道路提取的精度和形态完整性有了明显的提高,查准率为86.25%,查全率为85.50%,F1-score达到了85.87%。其成果数据能直接地应用于地理决策分析,特别有利于灾后的路径规划,本文提出的方法对道路、电网、轨道、河流等线性地物分类结果中出现类似断线问题具有一定的参考意义。     

遥感图像倾斜边界框目标检测研究进展与展望

遥感图像目标检测是遥感图像处理中的一个基本问题,尤其是伴随着深度学习以及遥感影像获取等技术的发展与突破,基于深度学习的遥感图像目标检测得到了广泛的关注。区别于自然图像,遥感图像中的物体目标具有方向任意的特点,众多国内外学者提出一系列基于倾斜边界框的遥感图像目标检测算法,推动了遥感图像目标检测的提升。为使得相关领域研究者对基于深度学习的遥感图像倾斜框目标检测的理论、流程及其现存问题有一个比较全面的认知,本文将对其进行系统的整理和归纳。