光学遥感图像中飞行器目标细粒度分类的研究
发布时间：2023-04-16 17:34
随着遥感相关技术的迅猛发展,高分辨率遥感图像的采集,为我们提供了海量的遥感信息,其中不乏大量的飞行器目标。飞行器目标在结构形态上大致相似,在局部部位上却千差万别,想要将形形色色不同种类的飞行器目标区分开不仅对于人类很难,对于人工智能模型更是难上加难。因此,将遥感图像中的飞行器目标在细粒度上进行分类,对机场的管理、航线监控、飞行器目标甄别都起着重要作用。由此,本文针对细粒度数据集进行增广,对模型进行混淆分析,并提出基于卷积神经网络的关键点预测技术,基于关键点提取局部区域,利用部位全连接层学习局部区域特征,从而提升遥感图像中飞行器目标细粒度分类的识别。首先,本文针对细粒度数据集数据量少、标注代价高等问题,提出了基于特征关键点的数据增广方法。通过寻找对分类器起决定性作用的区域针对性的进行增广,减缓过拟合问题,在多个细粒度数据集上提高了分类精准度,其中在飞行器细粒度数据集上提升了 8.47%。对于模型易混淆类别,我们分别使用混淆图、Grad-CAM、Part-Grad-CAM方法在类别层面、目标个体层面、目标部位层面由粗到细的进行混淆原因的分析。关键部位的特征对细粒度分类起着决定性作用。本文提...
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景
1.1.1 光学遥感图像的研究背景和意义
1.1.2 光学遥感图像中细粒度分类的研究背景和意义
1.2 课题研究现状
1.2.1 基于普通目标物体的细粒度识别的研究现状
1.2.2 基于光学遥感图像中细粒度目标物体识别的研究现状
1.3 课题研究内容
1.4 论文结构
第二章 基于细粒度数据集的数据增广策略及模型评估
2.1 数据增广方法
2.1.1 基于特征兴趣点的数据增广方法
2.2 基于混淆图的混淆类别筛选方法
2.2.1 混淆图构造算法
2.2.2 遥感图像中飞行器目标混淆图的构造
2.3 基于CAM的关键部位定位方法
2.3.1 基于Grad-CAM的全局特征定位方法
2.3.2 基于Part-Grad-CAM的部位特征定位方法
2.4 实验结果及分析
2.4.1 实验环境
2.4.2 遥感图像中飞行器数据集采集方法
2.4.3 数据增广方法分析
2.4.4 基于混淆图的混淆类别分析
2.4.5 基于CAM的可视化方法分析
2.5 本章总结
第三章 基于卷积神经网络的关键点预测算法
3.1 引言
3.1.1 关键点预测方法的应用
3.1.2 基于无监督信息的关键点预测
3.2 基于VGG19的关键点预测算法
3.2.1 训练数据集准备
3.2.2 神经网络的迁移学习
3.2.3 关键点预测模型的分类器设计
3.2.4 关键点预测模型的损失函数设计
3.3 实验结果及分析
3.3.1 实验环境与数据处理
3.3.2 不同dropout层数对关键点预测的影响
3.3.3 不同损失函数对关键点预测的影响
3.3.4 不同keeppro值对关键点预测的影响
3.3.5 不同坐标值对关键点预测的影响
3.3.6 关键点预测效果分析
3.3.7 飞行器目标在任意角度下的关键点预测分析
3.3.8 飞行器目标在固定角度下的关键点预测分析
3.4 本章总结
第四章 基于关键点特征融合的细粒度分类算法
4.1 部位候选框选择策略
4.2 基于部位全连接层的特征融合方法
4.2.1 基于部位全连接层网络的基本结构
4.2.2 语义化的ROI Pooling层
4.2.3 基于部位的全连接层
4.2.4 联合全连接层
4.3 基于关键点特征融合的细粒度分类算法
4.4 细粒度识别算法的性能研究
4.4.1 实验环境
4.4.2 基于部位全连接层的识别算法与基本识别网络的性能对比
4.4.3 部位全连接层与特征简单堆叠方法的对比
4.4.4 不同PFC和CFC层数对识别的影响
4.4.5 不同部位数量对识别的影响
4.4.6 基于关键点特征融合的细粒度分类算法性能比较
4.4.7 实验结果分析
4.5 本章总结
第五章 总结与展望
5.1 本文主要研究成果
5.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果
附录A 飞行器数据集在各分类模型上的混淆分析
A.1 VGG-19模型的混淆分析
A.1.1 VGG-19模型的混淆矩阵
A.1.2 VGG-19的Grad-CAM可视化分析
A.2 Alexnet模型的混淆分析
A.2.1 Alexnet模型的混淆矩阵
A.3 Resnet-101模型的混淆分析
A.3.1 Resnet-101模型的混淆矩阵
本文编号：3791558
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
ABSTRACT
第一章 绪论
1.1 课题研究背景
1.1.1 光学遥感图像的研究背景和意义
1.1.2 光学遥感图像中细粒度分类的研究背景和意义
1.2 课题研究现状
1.2.1 基于普通目标物体的细粒度识别的研究现状
1.2.2 基于光学遥感图像中细粒度目标物体识别的研究现状
1.3 课题研究内容
1.4 论文结构
第二章 基于细粒度数据集的数据增广策略及模型评估
2.1 数据增广方法
2.1.1 基于特征兴趣点的数据增广方法
2.2 基于混淆图的混淆类别筛选方法
2.2.1 混淆图构造算法
2.2.2 遥感图像中飞行器目标混淆图的构造
2.3 基于CAM的关键部位定位方法
2.3.1 基于Grad-CAM的全局特征定位方法
2.3.2 基于Part-Grad-CAM的部位特征定位方法
2.4 实验结果及分析
2.4.1 实验环境
2.4.2 遥感图像中飞行器数据集采集方法
2.4.3 数据增广方法分析
2.4.4 基于混淆图的混淆类别分析
2.4.5 基于CAM的可视化方法分析
2.5 本章总结
第三章 基于卷积神经网络的关键点预测算法
3.1 引言
3.1.1 关键点预测方法的应用
3.1.2 基于无监督信息的关键点预测
3.2 基于VGG19的关键点预测算法
3.2.1 训练数据集准备
3.2.2 神经网络的迁移学习
3.2.3 关键点预测模型的分类器设计
3.2.4 关键点预测模型的损失函数设计
3.3 实验结果及分析
3.3.1 实验环境与数据处理
3.3.2 不同dropout层数对关键点预测的影响
3.3.3 不同损失函数对关键点预测的影响
3.3.4 不同keeppro值对关键点预测的影响
3.3.5 不同坐标值对关键点预测的影响
3.3.6 关键点预测效果分析
3.3.7 飞行器目标在任意角度下的关键点预测分析
3.3.8 飞行器目标在固定角度下的关键点预测分析
3.4 本章总结
第四章 基于关键点特征融合的细粒度分类算法
4.1 部位候选框选择策略
4.2 基于部位全连接层的特征融合方法
4.2.1 基于部位全连接层网络的基本结构
4.2.2 语义化的ROI Pooling层
4.2.3 基于部位的全连接层
4.2.4 联合全连接层
4.3 基于关键点特征融合的细粒度分类算法
4.4 细粒度识别算法的性能研究
4.4.1 实验环境
4.4.2 基于部位全连接层的识别算法与基本识别网络的性能对比
4.4.3 部位全连接层与特征简单堆叠方法的对比
4.4.4 不同PFC和CFC层数对识别的影响
4.4.5 不同部位数量对识别的影响
4.4.6 基于关键点特征融合的细粒度分类算法性能比较
4.4.7 实验结果分析
4.5 本章总结
第五章 总结与展望
5.1 本文主要研究成果
5.2 研究展望
致谢
参考文献
作者在学期间取得的学术成果
附录A 飞行器数据集在各分类模型上的混淆分析
A.1 VGG-19模型的混淆分析
A.1.1 VGG-19模型的混淆矩阵
A.1.2 VGG-19的Grad-CAM可视化分析
A.2 Alexnet模型的混淆分析
A.2.1 Alexnet模型的混淆矩阵
A.3 Resnet-101模型的混淆分析
A.3.1 Resnet-101模型的混淆矩阵
本文编号：3791558
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3791558.html
