基于CNN的遙感圖像分類與檢測方法的研究.pdf

1、鑒于遙感圖像的高分辨率，其通常被用于城市規(guī)劃、軍事等領(lǐng)域，無論是在科研還是在實際應(yīng)用中都具有十分重要的研究意義。在本文中，基于卷積神經(jīng)網(wǎng)絡(luò)的方法被應(yīng)用到遙感場景分類任務(wù)以及在海洋場景下的艦船檢測兩項工作中。通過提取圖像中的深度語義特征，能夠得到更具有辨識性的高級特征，在分類與檢測中能起到更加有效的作用。本文主要內(nèi)容如下:
　　第一，從遙感圖像的特點出發(fā)，引出了該種圖像實際生活的應(yīng)用，從而使得更多的領(lǐng)域內(nèi)專家投入大量心血研究遙感圖像

2、上的模式識別。接著介紹國內(nèi)外關(guān)于遙感場景分類的研究現(xiàn)狀。另外，卷積神經(jīng)網(wǎng)絡(luò)的概念和訓(xùn)練的原理也進行了比較詳細的講述。
　　第二，本文采用了一種在預(yù)訓(xùn)練好的網(wǎng)絡(luò)模型上微調(diào)的方式訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)，實現(xiàn)遙感場景分類。通過微調(diào)的方式可以大大縮短訓(xùn)練時間，而且避免出現(xiàn)過擬合現(xiàn)象。同時，可以更好地提取圖像中的更具辨識性的高級語義特征，從而在標準的遙感數(shù)據(jù)集上，取得非常好的分類精度，比傳統(tǒng)的分類方法在分類效果上更加理想。
　　第三，引入了

3、目標識別模型Faster R-CNN，這種模型由兩個卷積神經(jīng)網(wǎng)絡(luò)構(gòu)成，而兩個卷積神經(jīng)網(wǎng)絡(luò)之間采用共享卷積的策略，在訓(xùn)練時采用交替優(yōu)化訓(xùn)練。測試時先是通過區(qū)域候選網(wǎng)絡(luò)RPN生成候選區(qū)域，然后再利用第二個網(wǎng)絡(luò)進行識別。本文中的數(shù)據(jù)集分辨率比較大且是大尺度，為了達到較好的檢測效果，先是裁減后做人工標注，然后拿這些小尺度的圖像做訓(xùn)練，在測試時，使用原圖像的尺寸。通過這種方法，不僅在純海洋背景下的艦船檢測效果非常好，而且在一些復(fù)雜場景（海港、云層