基于改进YOLOv5的遥感图像旋转框目标检测

针对遥感图像由于具有背景复杂和目标方向多变、尺度变化剧烈的特性导致目标检测精度较低的问题,文中提出了一种基于瓶颈注意力的遥感图像目标检测算法R-YOLOv5。该算法通过主干特征提取网络、瓶颈注意力、旋转框和损失函数的改进来加强网络对关键目标的特征提取能力,并在训练阶段采用了Mosaic和Mixup的TTA数据增强策略来弱化遥感图像复杂的背景信息对检测的影响。实验结果表明,R-YOLOv5的mAP达到了94.7%,与原始YOLOv5相比,提高了14.1%,可以有效提高遥感图像目标检测精度。     

基于图割与阴影邻接关系的高分辨率遥感影像建筑物提取方法

高空间分辨率遥感影像的建筑物自动提取能够加速城市基础地理数据库的更新进程.建筑物提取方法存在的一个亟需解决的问题是建筑物轮廓难以准确提取.本文通过建筑物的阴影特征和图割提出一种在高分辨率遥感影像中识别与提取建筑物的方法.首先,基于势直方图函数检测阴影;然后,以长宽比和矩形度作为约束条件从图割结果中筛选出候选分割对象;最后,利用开运算、膨胀和腐蚀分别对阴影进行处理,计算处理后的阴影和候选分割对象之间的邻接关系得到建筑物及其轮廓.为了验证本文方法的有效性,选取PLEIADES影像中6幅具有代表性的子图像进行试验,结果表明本方法的平均查准率和平均查全率分别达到92.31%和74.23%.     

基于脚点热度图和双向连接图的遥感影像建筑物提取方法

目前,大多数基于深度学习的遥感影像建筑物提取方法采用语义分割的方式,对遥感影像进行二分类预测。然而,该类方法没有考虑建筑物的几何特性,难以进行精确提取。为了更精确地提取建筑物,该文引入建筑物的几何信息,提出一种基于脚点热度图和双向连接图的建筑物轮廓提取方法。该方法为一种多分支的深度卷积网络,分别对建筑物的脚点以及脚点间的连接性进行预测。在其中一个分支中,预测建筑物的脚点热度图,并用非极大抑制算法得到建筑物的脚点像素坐标;利用另外两个分支预测脚点之间的正向连通性和反向连通性,并通过这种双向连接图对脚点间是否具有连接性进行判断,在将具有连通性的脚点进行连接后,可得到最终的建筑物轮廓。该文算法在Buildings2Vec数据集上进行了验证,结果表明该方法在遥感影像建筑物提取中具有一定的优越性。     

基于面向对象与深度学习方法的遥感影像自动提取技术研究

文章在对面向对象多尺度分割技术和深度学习技术分别进行理论、方法阐述后,开展目标区建设用地和非建设用地自动提取实例研究。通过建立少量地类样本库完成遥感影像自动分类提取,并对提取结果进行分析,得出目标区总体分类精度达到94.40%,建设用地的制图精度和用户精度能够满足实际生产需求。     

基于YOLOv3锚框优化的侧扫声呐图像目标检测

利用侧扫声呐图像来探查海底目标对海洋资源开采和海上军事防护都有重大意义。目前人为提取图像特征进行目标检测的传统机器学习方法逐渐被深度学习取代。深度学习技术在降低算法复杂度的同时提高图像目标检测效率,极大地推动了目标检测技术地发展。将深度学习检测算法应用到侧扫声呐图像目标检测领域时,锚框作为目标检测网络中较为重要的先验信息会影响最终的检测性能,考虑到声呐数据集的真实目标框与网络设定的锚框未必贴合的问题,本文在YOLOv3的基础上对锚框进行了优化,给出了一种能够获取有效先验锚框的策略。首先使用K-Means算法对真实目标框进行聚类,获得比较贴合于声呐数据集的锚框,然后设计了一种超参数锚框映射关系对聚类后的锚框进行拉伸变换,这样获得的锚框既包含了声呐数据集的目标框信息,也能利用到YOLOv3的多尺度特性。实验结果表明,所提锚框优化策略能够让YOLOv3网络获得更优的检测性能,适用于侧扫声呐图像的目标检测问题。     

基于双注意力机制与UNet的遥感影像变化检测方法

遥感图像变化检测长期以来都是遥感领域的重要的研究方向。传统的深度学习语义分割模型难以充分地提取两期遥感影像中的变化信息,为了解决此问题,文章提出了一种基于双注意力机制的UNet遥感影像变化检测模型。该方法首先通过图像融合将两期影像送入UNet之中。而后通过在跳跃级联与特征提取的高层次特征后使用双注意力机制模块来建立起丰富的上下文信息与凸显特征中的变化信息。最后通过反卷积来恢复尺寸获取变化二值图。实验结果表明,所提出的方法提高了遥感影像变化检测的精度。     

一种高分辨率遥感影像建筑物提取方法

采用了一种基于独特像元的快速自动提取建筑物的方法,如线与线之间的交叉点。首先,在预处理阶段采用边缘保留双边滤波器降低噪声,提高建筑物边缘的对比度;其次采用EDLines线段探测器实时准确地提取建筑物线段;最后,采用图表搜索感知分组的方法分层次组织预判线段为候选矩形建筑物。实验证明,该方法可以实现遥感影像建筑物的准确和快速提取。     

基于深度学习的高光谱影像分类方法研究

针对高光谱影像分类方法精度不足的问题,提出一种基于空间-频谱变换（Spectral-Spatial Transformer,SST）网络的高光谱影像分类方法。首先,将高光谱影像预处理为一维特征向量。然后,设计了具有光谱-空间注意力模块和池化残差模块的SST高光谱影像分类网络。本文所提出的分类方法在Indian Pines数据集和Pavia University数据集上的总体分类精度分别为98.67%和99.87%,表明此方法具有较高的分类精度,为高光谱影像分类及应用提供了一种新方案。     

基于深度学习的轻量化遥感图像目标检测方法

深度学习技术强大的特征表征能力为遥感图像目标检测提供了一个非常有效的工具。现有的主流深度学习模型参数数量巨大,存储和计算代价高,限制了其应用的推广。文中提出一种轻量化的深度学习模型用于遥感图像目标检测。实验结果表明,文中提出的方法在保持与Tiny_YOLOv3检测精度相当的情况下,模型大小仅为Tiny_YOLOv3的44. 7%。文中提出的模型在检测精度、模型大小和计算开销上可达到更好的平衡。     

基于监督对比学习正则化的高分辨率SAR图像建筑物提取方法

近年来,高分辨合成孔径雷达(SAR)图像的智能解译技术在城市规划、变化监测等方面得到了广泛应用.不同于光学图像,SAR图像的获取方式、图像中目标的几何结构等因素制约了现有深度学习方法对SAR图像地物目标的解译效果.该文针对高分辨SAR图像城市区域建筑物提取,提出了基于监督对比学习的正则化方法,其主要思想是增强同一类别像...     

RSDD-SAR:SAR舰船斜框检测数据集

针对合成孔径雷达(SAR)舰船斜框检测数据集较少,难以满足算法发展和实际应用需求的问题,该文公开了SAR舰船斜框检测数据集(RSDD-SAR),该数据集由84景高分3号数据和41景TerraSAR-X数据切片及2景未剪裁大图,共127景数据构成,包含多种成像模式、多种极化方式、多种分辨率切片7000张,舰船实例10263个,通过自动标注和人工修正相结合的方式高效标注。同时,该文对几种常用的光学遥感图像斜框检测算法和SAR舰船斜框检测算法进行了实验,其中单阶段算法S2ANet检测效果最佳,平均精度达到90.06%。通过实验对比分析形成基准指标,可供相关学者参考。最后,该文通过泛化能力测试,分析讨论了RSDD-SAR数据集训练模型在其他数据集和未剪裁大图上的性能,结果表明：该数据集训练模型具有较好的泛化能力,说明该数据集具有较强的应用价值。RSDD-SAR数据集可在以下网址下载：https://radars.ac.cn/web/data/get Data?data Type=SDD-SAR。     

基于遥感图像的船舶目标检测方法综述

如何在复杂环境中准确、快速地实现各类船舶目标检测是一项重要研究课题,也是保障船舶航行安全、保护领土安全、加强水域资源监管的基础。红外成像、合成孔径雷达（Synthetic Aperture Radar,SAR）以及卫星遥感等成像技术的发展为船舶检测提供了丰富的图像数据,已取得许多研究成果。介绍了船舶目标检测的过程,从基于传统图像处理技术的船舶目标检测和基于深度学习的船舶目标检测两方面总结并分析了现有船舶目标检测方法,讨论了相关关键技术,最后指出了未来的研究方向。     

基于深度学习的遥感影像基础设施目标检测研究

随着航天技术、计算机技术以及图像处理技术的发展,遥感图像的分辨率越来越高,覆盖范围也越来越广,高分辨率的遥感影像在军事侦察、地质勘探和国土资源等领域的应用也越来越广泛。"高分一号"作为我国"高分专项"系列卫星的首星,其图像处理技术对于其他高分影像处理具有重大的借鉴意义。针对"高分一号"遥感影像目标检测的问题,通过深度学习神经网络设计和优化,实现在遥感影像中准确检测机场、操场等基础设施目标。实验结果表明,深度学习网络用于遥感目标检测,具有良好的准确度和鲁棒性,从而为国产高分系列遥感卫星的应用提供多样化技术支持。     

面向对象的高分辨率遥感影像建筑物信息提取

为实现建筑物单体信息的高精度提取,采用基于规则的面向对象方法,提出了一种经图像预处理、多尺度分割、构建规则信息和特征提取的技术流程.以基于国产高分二号卫星的扬州市两个样本区(佳家花园小区和联谊南苑小区)为例对该方法进行了实验验证,研究结果表明:与传统方法相比,新方法提取的效果更好、精度更高,识别精度达到97.7％,Ka...     

一种基于Siamese卷积神经网络的变化检测技术

本文针对传统变化检测卷积神经网络难以兼顾正确判断变化特征和提取与变化标签相切合的影像特征以及仅通过交叉熵损失函数难以获取较高精度的网络预测参数,同时因为变化样本和不变化样本的数量分布差异较大而导致训练时模型漏检严重并且训练收敛过慢的情况,提出了一种基于Siamese卷积神经网络的变化检测技术,结合基于场景分类的变化检测增强技术和变化检测损失函数硬例关注技术,有效的提高了检测准确率。     

基于锚框的深度学习物体目标检测算法概览

将深度学习方法结合进目标检测算法突破了传统算法的性能瓶颈,成为计算机视觉领域一个热门的研究课题.本文对当下最流行的基于深度学习物体目标检测算法进行深入研究,得出一个整体认识,为目标检测应用系统开发的先进性与高效性提供有益的理论指导.沿着时间顺序梳理了深度卷积神经网络进入物体目标检测算法的发展过程,按照两阶段和一阶段实现对主要的算法划分两大类别;同时,参考是否采用锚框又分为基于锚框和非锚框的两种方式.围绕发展更成熟的基于锚框的检测系统详细探讨了算法的实现原理,并指出当前物体目标检测系统面临的难点问题和关键技术.最后,对物体目标检测算法发展的方向进行了展望.