基于特征增强及密集场景优化的遥感目标检测算法

针对遥感图像目标检测中的漏检错检问题,提出了一种基于特征增强及密集场景优化的目标检测算法。通过对Faster R-CNN框架进行优化,加入特征增强卷积层使得小目标特征更加显著,同时采用改进的非极大值抑制算法对密集场景的目标置信度进行更新,从而提高遥感图像目标检测性能。实验结果表明:该算法在DOTA遥感数据集上与已有方法相比有效提升了目标检测精度。     

基于多输入密集连接神经网络的遥感图像时空融合算法

为了解决地表反射率遥感卫星Landsat和MODIS影像的时空融合问题,文中提出基于多输入密集连接网络的遥感图像时空融合算法.首先提出多输入的密集连接网络,学习包含连续时刻间差异信息的过渡遥感影像.基于差异相似假设,融合网络学习得到的2幅过渡影像与已知的2幅高空间分辨率影像,得到最终的预测影像.对Landsat遥感影像和MODIS遥感影像的融合实验表明,文中算法在各项定量指标中均较优,最终的预测图像也可表明,文中算法对噪声具有较好的鲁棒性,能较好地恢复细节信息.     

基于特征增强的光学遥感图像建筑物变化检测

遥感图像变化检测是识别同一区域前后时段两张图像之间像素级变化,能够精确判断目标区域状态变化。现有的遥感图像变化检测方法是在不同时间流中引入注意力机制来强化变化区域图像特征,并将其叠加以实现特征融合,不能有效地挖掘与应用不同时间流特征之间的关系。基于特征提取网络,提出一种在时间维度上基于像素位置偏移的图像特征差异增强方法。该方法可学习不同时相图像特征之间对应区域的像素变化偏移量,增强单时相特征图中发生变化区域和无关区域之间的特征差异。在此基础上,构建一个针对光学遥感图像中建筑物变化的检测框架,以ResNet18网络和多层感知机结构分别作为编码器、解码器,在LEVIR-CD、LEVIR-CD+和S2Looking 3个公开数据集上进行实验,结果表明,基于特征增强的图像变化检测方法的F1值分别为90.74%、86.11%和62.25%,相比目前最优的BIT方法分别提高了1.43、3.31和0.4个百分点。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题，提出了一种基于深度学习的遥感图像目标检测与识别算法。首先，构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试；其次，基于原始的多尺度单发射击（SSD）网络模型，融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块；最后，在训练策略上引入聚焦分类损失函数，以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验，结果表明所提算法的检测平均精度均值（mAP）达到77.95%，相较于SSD网络模型提高了3.99个百分点，同时检测速度为33.8 frame/s。此外，在拓展实验中，改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明，所提改进算法能够有效地提高遥感图像目标检测的精度。     

一种基于深度学习的遥感图像目标检测算法

遥感图像分析在国土资源管理、海洋监测等领域有着极为广阔的应用前景。深度学习技术已在图像处理领域取得突破性进展,然而,遥感图像固有的尺寸大、目标小而密集等特点,使得将面向普通图像的深度学习方法用于遥感目标检测普遍存在定位不准确、小目标检测难、大图检测精度差等问题。针对上述难题, 提出了一种新型遥感图像目标检测算法DFS。与传统机器学习方法相比,DFS 设计了新的维度聚类模块、定制损失函数和滑动窗口分割检测机制。其中,维度聚类模块通过设计聚类机制优化定制先验框,提高定位精度;定制损失函数提高对船只等小目标的检测精度;滑动窗口分割检测解决大图检测精度低的问题。在经典遥感数据集上开展的实验对比表明,与YOLOv2相比,DFS算法的mAP提高了256%,小目标检测效率及大图检测效能大幅提高。     

基于FD-SSD的遥感图像多目标检测方法

针对遥感图像中目标物体过小,不易检测的难点,提出对SSD的改进网络FD-SSD(Feature Fusion and Dilated Convolution Single Shot Multibox Detector)。FD-SSD去掉了SSD网络数据预处理层的随机剪裁步骤,并结合FSSD将具有高分辨率的低层特征图和具有高语义信息的高层特征图进行融合。使用空洞卷积增大第三层特征图的感受野,利用具有高分辨率的低层特征图对小目标进行预测。同时不再使用1×1的顶层特征图产生目标框。模型训练阶段将原始遥感图像进行"二次切割"处理,增加训练样本量。在预测阶段先将原始图像进行切割预测,再将目标框映射回原图,并对原图所有的目标框进行二次非极大值抑制(NMS),保留最优目标框。FD-SSD在DOTA数据集上有良好的表现,比原始SSD的m AP提升31%。     

基于深度网络的遥感图像目标检测与识别

本文针对卫星遥感图像中的典型目标检测与识别问题,采用了基于深度神经网络的回归算法,利用深度网络所学习出来的特征结构针对多分类复杂场景具有很好的识别效果,同时将检测、分类与识别一同进行回归处理。可以有效缩短训练时间,并提升处理效率,保证目标检测的准确度,在实际应用中前景广泛。     

基于深度学习的遥感图像目标检测与识别

为解决目前的遥感图像目标检测算法存在的对小尺度目标检测精度低和检测速度慢等问题,提出了一种基于深度学习的遥感图像目标检测与识别算法。首先,构建一个含有不同尺度大小的遥感图像的数据集用于模型的训练和测试;其次,基于原始的多尺度单发射击（SSD）网络模型,融入了设计的浅层特征融合模块、浅层特征增强模块和深层特征增强模块;最后,在训练策略上引入聚焦分类损失函数,以解决训练过程中正负样本失衡的问题。在高分辨率遥感图像数据集上进行实验,结果表明所提算法的检测平均精度均值（mAP）达到77.95%,相较于SSD网络模型提高了3.99个百分点,同时检测速度为33.8 frame/s。此外,在拓展实验中,改进算法对高分辨率遥感图像中模糊目标的检测效果也优于原多尺度单发射击网络模型。实验结果说明,所提改进算法能够有效地提高遥感图像目标检测的精度。     

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。     

基于深度学习的遥感图像微小目标检测方法研究

遥感图像中含有大量的微小目标,只有准确检测到这些微小目标,才能实现远程目标的识别与跟踪。为了给远程跟踪工作提供有效的辅助工具,以深度学习算法为技术支持,优化设计遥感图像微小目标检测方法。利用硬件设备实时采集包含微小目标的遥感图像,通过几何校正、灰度化转换、噪声抑制、去雾以及图像增强等步骤,完成初始图像的预处理。通过前景与背景图像的分割,选择遥感图像中的待检测目标。构建深度卷积神经网络作为深度学习算法的运行环境,经过前向传播、反向传播提取遥感图像特征。最终通过特征匹配,得出包含微小目标数量以及位置坐标的检测结果。通过性能测试实验得出结论：与传统遥感图像目标检测方法相比,优化设计方法的查准率和查全率分别提高了6.3%和10.74%,目标位置检测误差得到明显降低,且响应时间缩短了2440ms,由此证明优化设计方法具有良好的检测性能。     

稠密特征编码的遥感场景分类算法

针对遥感影像快速有效的场景分类,提出了一种低维度稠密特征编码的场景分类算法.首先提取遥感图像不同尺度下的稠密特征,利用Hellinger kernel对原始特征进行映射变换形成新的特征空间,采用主成分分析对新的特征降维并进行Fisher编码量化,进而实现遥感图像的低维度稠密特征表达,最后在线性支持向量机中完成遥感影像的...     

基于显著性特征和角度信息的遥感图像目标检测

遥感图像中的目标具有密集性、多尺度和多角度等特性,这使得遥感图像多类别目标检测成为一项具有挑战性的课题.因此,文中提出了一种新的端到端的遥感图像目标检测框架.该框架通过提取显著性特征和不同卷积通道之间的相互关系来增强目标信息,抑制非目标信息,从而提高特征的表示能力.同时,在不增加模型参数的情况下,在卷积模块中添加多尺度...     

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...     

基于Relief-PCA特征选择的遥感图像变化检测

面向对象的变化检测技术在高分辨率遥感图像领域已经得到广泛地应用。由于遥 感图像受光照、大气环境等成像条件的影响,图像特征的质量也参差不齐,筛选出高质量的特 征成为对象级遥感图像变化检测的关键。针对此问题,提出了一种基于 Relief-PCA 特征选择的 对象级遥感图像变化检测方法。首先,对原始图像进行多尺度分割获得目标对象,并提取对象 的光谱特征与纹理特征;然后,利用对数比值法获得变化矢量,再使用 Relief-PCA 特征选择的 方法对图像的对象特征进行筛选与降维;最后,计算并生成 CVA 变化强度图,利用 Otsu 方法 对变化强度图进行阈值分割得到最终的变化检测结果。实验表明：与已有方法相比,该方法的 变化检测精度更高,误检率和漏检率更低。     

基于多粒度特征蒸馏的遥感图像场景分类研究

深度神经网络广泛应用于遥感图像场景分类任务中并能大幅提高分类精度,但隐藏层数较少的神经网络在标记数据不足的遥感场景分类中泛化能力较低,而隐层较多的网络往往需要较大的计算量和模型存储空间,限制了其在嵌入式设备上的应用.提出一种针对遥感图像场景分类的多粒度特征蒸馏方法,将深度网络不同阶段的特征与最终的类别概率同时作为浅层模...     

基于边缘增强的遥感图像弱监督语义分割方法

随着弱监督学习被应用于遥感图像语义分割,大大降低了模型训练的数据成本。然而,由于监督信息不足,类激活图难以准确激活出遥感图像中不同尺度大小的目标,这使得基于类激活图获得的伪分割掩码边缘粗糙,从而导致最终的分割结果不准确。此外,大部分的弱监督语义分割方法都是基于可视化的两阶段方法,模型复杂繁琐。针对上述问题,设计了一种基于边缘增强的端到端弱监督语义分割网络。在特征空间边缘增强模块中,以自监督方式引导网络学习遥感图像中尺寸不一的目标,并且,细化伪分割掩码的边缘;在输出空间边缘增强模块中,通过端到端训练提升分割精度,同时降低模型训练的繁琐度。在ISPRS 2D数据集上的实验结果表明,该方法在仅使用图像级标签的情况下MIoU分别为57.72%和59.45%,与其他方法相比,效果较好。     

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。     

基于微分几何的遥感影像上线状地物提取方法

自动识别遥感影像上的目标、快速淮确地获取所需信息是遥感数据处理的主要发展方向。通过研究微分几何理论中曲面的一些基本性质，本文介绍了一种基于微分几何的线状 地物提取方法，首先在局部区域内拟合一个二次曲面函数，然后通过该函数来估算灰度曲面的梯度和曲率，设定合适的梯度和曲率阈值来检测线状地物，最后进行后处理，消除许多噪声颗粒及小块区域。实验表明，该方法对于具有一定宽度的线状地物的检测具有较好的效果。     

基于深度学习的遥感影像目标检测系统设计

遥感影像目标检测虽然是一种极为有效的地表变化监测手段,但极易受到自然环境复杂性的影响,从而造成遥感影像中存在混合的杂质像素,导致目标检测准确性较差;为解决此问题,设计基于深度学习的遥感影像目标检测系统;建立深度学习框架,分层次连接遥感影像输入模块、图像帧预处理模块与目标检测算法模块,再借助影像目标输出结构单元,对已获得的遥感影像像素数据进行整合,实现系统硬件设计;在此基础上,提取遥感影像的多特征条件,完善现有的目标检测系统设计方案;通过分割多级目标节点的方式,得到遥感影像特征的小波分解结果,利用计算求得的边缘纹理系数,实现融合深度学习理论的遥感影像目标变化能力检测;实验结果表明,所设计遥感影像目标检测系统的有效像素的占比量较大,杂质像素节点的占比量较小,且二者之间的对比情况极为明显,能够有效剔除杂质像素量,更能适应复杂多变的自然环境,获得更为准确的地表变化监测结果.     

基于小波表征的遥感影像的目标检测

指出了基于像素灰度值的影像表征方法在表达检测目标信息上的不足,提出了运用小波变换的方法对遥感影像进行信息提取和表达。为了增强表达检测目标信息的能力,采用H aar母小波作为影像小波变换的小波基。实验表明:基于小波变换的表征方法在遥感影像目标检测的诸多性能指标上都优于基于影像像素灰度值的表征方法。