基于深度神经网络的光学遥感图像地物提取
这是一篇关于光学遥感图像,地物要素提取,语义分割,特征融合,注意力机制的论文, 主要内容为遥感是采集地球数据的重要技术手段,其中光学遥感图像记录着地物的光谱信息。光学遥感图像典型地物要素提取技术在土地资源管理、大气环境检测、自然灾害防治等领域得到了广泛应用。随着遥感技术飞速发展以及光学遥感图像采集方法的完善,光学遥感图像所包含的信息越来越丰富。然而,面对如此复杂多样的信息,传统的典型地物要素提取方法受到限制。近年来,深度学习方法在计算机视觉领域取得颇多成果,同时光学遥感图像与自然图像的数据特性相似且包含丰富信息,这为解决光学遥感图像典型地物要素提取问题提供了新思路。本文针对目前光学遥感图像数据信息丰富、图像尺度大、特征复杂的特点,提出一系列基于深度学习的方法,致力于提高光学遥感图像典型地物要素提取的精度,主要研究如下:(1)提出基于图像分类网络与语义分割网络相结合的方法。语义分割网络通常分为下采样部分和上采样部分,图像分类网络符合下采样部分的标准,并且网络设计更加精细,能够提取更加充分的特征。该方法采用具有多尺度轻量化特点的图像分类网络Mix Net进行下采样,获取多尺度特征信息,之后采用传统的语义分割网络U-Net的上采样部分进行图像恢复。相较于Seg Net方法,该方法在减少46.14M网络参数量的情况下,在Landsat8和BDCI2017数据集上均提升约0.03的MIo U精度。(2)提出基于双特征提取与融合的多流向网络地物提取方法。该方法通过双特征提取与融合的方式,构造了从输入端到最终输出端之间具有多条信息流路径的网络,使得该网络能够捕获更加复杂的特征。该方法使用交叉熵损失和Dice损失相结合的损失函数,使其更精准地衡量预测结果和真实结果之间的距离。相较于U-Net方法,该方法在Landsat8和BDCI2017数据集上均提升约0.01的MIo U精度。(3)提出基于结合多头自注意模块的多方位网络地物提取方法。该方法通过引入注意力机制的方式,优化下采样网络结构,有助于网络在捕捉图像中值得关注的多方位位置信息,同时能够对海量的特征信息进行合理筛选融合,最终帮助提升典型地物要素提取的精度。相较于Res UNet方法,该方法在Landsat8和BDCI2017数据集上均提升约0.02的MIoU精度。
基于深度神经网络的光学遥感图像飞机目标检测与细粒度识别
这是一篇关于光学遥感图像,飞机检测,细粒度识别,噪声标签,模型量化的论文, 主要内容为飞机目标检测是遥感图像解译的一个重要分支,飞机在交通运输领域以及军事作战领域都有重要的应用,对其准确的位置与不同型号实现快速、高效的检测与识别具有重要的意义。本文针对高分辨光学遥感图像飞机检测任务中的复杂场景以及细粒度识别中的长尾问题和噪声标签问题,以自然图像经典单阶段目标检测算法做为基础,出了基于深度神经网络的光学遥感图像飞机目标检测与细粒度识别方法;并结合遥感图像解译的应用场景,针对性地升遥感图像解译的速度并节省计算开支。主要研究内容如下所述:(1)出了一种对噪声数据鲁棒的单阶段细粒度光学遥感图像飞机检测器。针对单阶段目标检测模型在细粒度识别任务上表现不佳的问题,基于经典单阶段目标检测模型Retina Net,引入细粒度分类模块将目标的特征细化后再进行分类。为了应对人工标注数据集中存在的类别噪声,将原始分类子网络的作用由类别区分转化为前背景区分,避免了错误的类别标签对模型学习是否存在目标的负面影响。出了一种噪声鲁棒的标签分配策略,在更好的对含有噪声的标签进行分配的同时使前背景分类器能够感知样本的质量。最后采集了数据集并进行细粒度标注,通过实验证明该方法比较于Retina Net方法以及其他一系列方法具有更高的检测和细粒度识别的精度。(2)出了一种基于难样例聚焦与梯度停止的遥感图像飞机目标检测与识别方法。针对部分目标检测和识别困难的问题,受经典分类器SVM的启发,基于SVM的理论基础出了一种基于支持样本的难样例聚焦方法,以动态的寻找困难样本,同时出了一种损失函数对其进行额外的聚焦监督。此外,细粒度识别任务中常伴随着类别不平衡问题,针对长尾问题出了类别感知损失和对不同类别的梯度停止方法。有效的升了对困难样本的区分能力,并一定程度上缓解了长尾问题带来的负面影响。(3)出了一种基于动态随机的8bit整型量化训练方法。针对8bit整型训练后量化方法误差较大的缺点,采用量化训练方法对模型进行8bit整型量化;采用逐通道非对称量化方法降低量化映射过程中的缩放误差;通过动态可学习的映射关系选取更合理的参数数值范围以最大化量化后权重的表达能力,并基于直通估计改进了梯度计算方法从而实现对映射关系的反向传播;最后,采用量化随机失活方法在训练过程中随机的选取参数进行量化,从而进一步降低量化误差,有效的使量化后的8bit整型模型保留了与全精度模型相近的精度表现。
基于形状先验和深度神经网络的遥感目标自动标注
这是一篇关于SAR,光学遥感图像,语义分割,目标重建,形状先验的论文, 主要内容为遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器(编码器),空洞空间金字塔池化(ASPP)模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。
基于形状先验和深度神经网络的遥感目标自动标注
这是一篇关于SAR,光学遥感图像,语义分割,目标重建,形状先验的论文, 主要内容为遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器(编码器),空洞空间金字塔池化(ASPP)模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。
基于深度学习的光学遥感图像云检测算法研究
这是一篇关于光学遥感图像,云检测算法,增强型遥感网络,卷积条件随机场,Vision Transformer的论文, 主要内容为光学遥感图像云检测可以看作是遥感图像预处理的步骤。由于地球表面大量存在的云,导致遥感影像不够清晰,存在地物被遮挡的情况。同时,在研究自然环境、气象方面,云检测也是一项必不可少的工作。因此,这是一项十分必要并且有价值的研究课题。在该领域目前已经有了大量的研究,包括传统的云检测方法和基于深度学习的方法。相比之下,基于深度学习的方法检测结果更加准确,是目前的主流研究趋势。因此,本文采用了基于深度学习的方法对光学遥感图像云检测进行了研究。本文主要的工作点和研究内容如下:(1)为了解决在切割的图像块尺寸较小时,对图像块的空间模式和上下文信息的提取不够全面这一问题,在现有的一种云检测算法——遥感网络(Remote Sensing Network,RS-Net)的基础上,提出了一种加入空洞卷积和空间金字塔模块的增强型遥感网络(Atrous Convolution and Spatial Pyramid Modules Enhanced Remote Sensing Network,ACSPM-RSNet)模型。在减小切割的图像块大小的同时加大了感受野,使得每一个卷积的输出可以包括更大范围内的上下文信息,更好的提取图像的空间模式。同时提取了不同大小的图像块的特征,以获得多尺度的图像特征。(2)在所提出的改进模型ACSPM-RSNet的基础上,为了使生成的云预测掩码图的分割边界轮廓更加平滑、精确,对由增强型遥感网络模型生成的云检测的预测结果图使用卷积条件随机场(Convolutional Conditional Random Fields,ConvCRF)来进一步进行后处理。将生成的云掩码图作为卷积条件随机场的一元势函数,将数据集中的真彩色图作为输入图像,提供成对势计算所需要的位置信息和颜色信息。再将归一化之后的云概率图送入条件随机场中进行推理。加入了结构化的推理,以提高实验结果的精确性。(3)目前现有的基于深度学习的云检测算法都要使用卷积神经网络。卷积神经网络提取出的特征更多地关注图像的局部,这会导致其丢失很多的空间信息。在生成云检测的预测结果图时会导致细小、零碎的云的丢失。而Vision Transformer是一种不使用卷积神经网络的基于自注意力机制的纯Transformer模型,其在图像分类领域有着绝佳的效果。云检测可以看作是一个二分类的任务。因此,本文提出了基于Vision Transformer的光学遥感图像云检测算法,模型的每一层都具有全局感受野,避免了卷积神经网络的缺陷。实验结果表明该方法是有效的。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：代码港湾 ，原文地址：https://m.bishedaima.com/lunwen/54508.html
