一種基于深度學(xué)習(xí)的光學(xué)遙感影像在軌目標(biāo)檢測方法

一種基于深度學(xué)習(xí)的光學(xué)遙感影像在軌目標(biāo)檢測方法摘要本文提出一種基于深度學(xué)習(xí)的光學(xué)遙感影像在軌目標(biāo)檢測方法。該方法使用了卷積神經(jīng)網(wǎng)絡(luò)來提取影像特征，并采用了多尺度檢測策略來增強(qiáng)檢測效果。實驗結(jié)果表明，本方法對于不同尺度和復(fù)雜度的目標(biāo)能夠進(jìn)行有效的檢測，具有較高的準(zhǔn)確性和魯棒性。關(guān)鍵詞：深度學(xué)習(xí)；光學(xué)遙感影像；目標(biāo)檢測；卷積神經(jīng)網(wǎng)絡(luò)；多尺度檢測1.引言光學(xué)遙感影像在軍事、環(huán)境、城市規(guī)劃、資源調(diào)查等領(lǐng)域具有廣泛應(yīng)用。目標(biāo)檢測是光學(xué)遙感影像處理中重要的一步，它是指在一副遙感影像中找出感興趣的目標(biāo)并標(biāo)出其位置，是光學(xué)遙感影像處理和分析的基礎(chǔ)。傳統(tǒng)的目標(biāo)檢測方法主要依靠人工特征提取和分類器的分類能力，但是這些方法在處理大規(guī)模遙感影像時存在效率低下和準(zhǔn)確率不高的問題。隨著深度學(xué)習(xí)技術(shù)的發(fā)展，越來越多的學(xué)者將其應(yīng)用于光學(xué)遙感影像處理中，取得了很好的效果。本文提出了一種基于深度學(xué)習(xí)的光學(xué)遙感影像在軌目標(biāo)檢測方法。該方法基于卷積神經(jīng)網(wǎng)絡(luò)，采用了多尺度檢測策略和非極大值抑制機(jī)制，能夠?qū)Σ煌叨群蛷?fù)雜度的目標(biāo)進(jìn)行有效的檢測。實驗結(jié)果表明，該方法具有較高的準(zhǔn)確性和魯棒性，可以應(yīng)用于光學(xué)遙感影像處理中。2.相關(guān)工作傳統(tǒng)的光學(xué)遙感影像目標(biāo)檢測方法主要采用了基于形狀的方法、紋理特征方法和人工特征方法。形狀方法主要是基于形狀信息進(jìn)行目標(biāo)檢測，如基于邊緣、基于掩膜、基于模板匹配等。這些方法具有較好的檢測效果，但是對于目標(biāo)的多樣性和復(fù)雜性等因素比較敏感。紋理特征方法側(cè)重于利用圖像紋理信息進(jìn)行目標(biāo)檢測，如Gabor濾波器、小波變換等。但是這些方法對于亮度、角度、尺度等變化比較敏感，難以應(yīng)用于大規(guī)模的遙感影像處理中。近年來，深度學(xué)習(xí)在光學(xué)遙感影像目標(biāo)檢測領(lǐng)域得到了廣泛的應(yīng)用。針對普通圖像目標(biāo)檢測，F(xiàn)asterR-CNN、YOLO、SSD等深度學(xué)習(xí)目標(biāo)檢測模型相繼提出。這些模型都基于卷積神經(jīng)網(wǎng)絡(luò)，能夠?qū)D像進(jìn)行精確的物體檢測。針對遙感影像目標(biāo)檢測，DeepFeature提出了在空間金字塔池化特征基礎(chǔ)上進(jìn)行車輛檢測的方法，ZhangY等提出了一種多源遙感影像目標(biāo)檢測方法，整合了單像素分辨率的光學(xué)遙感影像和高分辨率地物信息圖。這些方法都取得了較好的效果，但是對于復(fù)雜場景和小目標(biāo)的檢測還存在一定的局限性。3.方法介紹本文提出的基于深度學(xué)習(xí)的光學(xué)遙感影像在軌目標(biāo)檢測方法主要包括三個部分：影像特征提取、多尺度檢測和非極大值抑制。3.1影像特征提取影像特征提取是深度學(xué)習(xí)目標(biāo)檢測方法的核心部分。本文采用了VGG16網(wǎng)絡(luò)提取影像特征，并對其進(jìn)行了Fine-tuning。VGG16網(wǎng)絡(luò)是一種經(jīng)典的卷積神經(jīng)網(wǎng)絡(luò)，可以對影像進(jìn)行高效的特征提取。Fine-tuning是將預(yù)訓(xùn)練的VGG16網(wǎng)絡(luò)進(jìn)行微調(diào)，以適應(yīng)特定的目標(biāo)檢測任務(wù)。我們把VGG16的最后一個全連接層替換成一個輸出層，它的輸出維度是類別數(shù)量加1。類別數(shù)量是目標(biāo)的種類數(shù)，加1是為了處理不屬于任意一類的背景。3.2多尺度檢測光學(xué)遙感影像中的目標(biāo)尺度多樣，因此多尺度檢測是提高檢測效果的重要手段。本文采用了金字塔式多尺度檢測策略。具體來說，我們將輸入影像縮放成不同的尺度，然后對縮放的影像分別進(jìn)行目標(biāo)檢測。在檢測過程中，我們采用了滑動窗口的方式對每一個縮放的影像進(jìn)行檢測，以獲取不同尺度的目標(biāo)檢測結(jié)果。然后將不同尺度的結(jié)果進(jìn)行融合，得到最終的目標(biāo)檢測結(jié)果。3.3非極大值抑制在多尺度檢測之后，我們得到了多個目標(biāo)框，其中可能存在重疊的框。為了去除這些冗余的框，我們采用了非極大值抑制（NMS）算法。具體來說，我們計算出不同目標(biāo)框之間的IoU（IntersectionoverUnion），如果IoU值大于一定的閾值，就將分?jǐn)?shù)（score）較低的目標(biāo)框去除。這樣可以有效地避免重復(fù)檢測同一個目標(biāo)。4.實驗結(jié)果我們在遙感影像數(shù)據(jù)集上進(jìn)行了實驗，對比了本文方法和其他目標(biāo)檢測方法的性能。實驗結(jié)果表明，本文方法可以達(dá)到較高的準(zhǔn)確性和魯棒性，在目標(biāo)檢測方面具有良好的應(yīng)用前景。5.總結(jié)本文提出了一種基于深度學(xué)習(xí)的光學(xué)遙感影像在軌目標(biāo)檢測方法。該方法利用卷積神經(jīng)網(wǎng)絡(luò)提取影像特征，采用多尺度檢測和非極大值抑制