基于深度学习的遥感图像小目标识别技术研究.docx

摘要：遥感图像目标识别是计算机视觉任务的热点、难点。探讨准确识别遥感图像中的目标不论在民用领域还是军事领域都有着极其重要的意义。但是在实际应用中，针对遥感图像覆盖范围广，背景复杂度高等原因导致的遥感图像小目标识别难度大，正确识别率、召回率以及模型的泛化能力低等问题，本文提出了基于Faster-RCNN的目标检测改进算法。首先，本文对已经发布的CCCV2017数据集进行标注，用于Faster-RCNN训练；然后，在ImageNet数据集训练得到的模型基础上，根据遥感图像目标识别任务对网络的结构和参数进行微调；最后，在测试阶段，针对遥感图像中的小目标问题，结合滑动窗口算法对图像进行分割，然后对子图进行识别，再将子图识别测得到的结果映射回原图，由此完成遥感图像小目标的识别。通过在CCCV2017测试集上评估表明，改进后的Faster-RCNN算法正确识别率达到了72.05%，召回率达到了80.77%，比初始的Faster-RCNN算法分别提高了20.58%和25.21%。

关键词：遥感图像；小目标识别；Faster-RCNN；滑动窗口算法

目录

摘要

Abstract

1 绪论-1

1.1 课题研究的意义和目的-1

1.2 课题国内外研究现状-2

1.3 课题研究内容-4

2 网络模型-4

2.1 Faster-RCNN的整体框架-4

2.2 VGG16网络结构-5

2.3 Conv layers-6

2.4 Region Proposal Networks-7

2.4.1 anchors-8

2.4.2 softmax判定前景与背景-9

2.4.3 bounding box regression原理-10

2.4.4 Proposal Layer-12

2.5 RoI pooling-13

2.5.1 运用RoI Pooling的原因-13

2.5.2 RoI Pooling原理-14

2.6 Classifier-14

2.7 Faster-RCNN网络模型的训练流程及原理-15

2.7.1 训练Faster-RCNN模型的两种方式-15

2.7.2 网络模型的损失函数-15

2.8 算法改进及其工作流程-16

3 数据集及其预处理-17

3.1 PASCAL VOC2007数据集-17

3.2 数据集的特点-17

3.3 数据集预处理-18

3.4 将数据制成VOC2007数据集格式-18

4 训练网络模型-19

4.1 常见的深度学习框架-19

4.2 网络模型的训练和测试-20

5 评价指标与实验结果分析-21

6 结论-23

参 考 文 献-24

致 谢-26