The invention relates to a remote sensing image target detection method based on depth learning, which includes: constructing relevant data sets by using remote sensing images: classifying and annotating remote sensing images, image data sets and class labels generated by labeling work; constructing a panchromatic sharpening model based on generating confrontation network; and constructing a depth-based panchromatic sharpening model. Degree convolution neural network target detection model, through the back propagation and stochastic gradient descent method to the model end-to-end training; to build a good model end-to-end testing. The invention has the advantages of high accuracy.
【技术实现步骤摘要】
一种基于深度学习的遥感图像目标检测方法
本专利技术涉及遥感图像处理、深度学习、模式识别等领域,尤其是涉及一种基于深度学习,使用生成对抗网络对光谱图像进行全色锐化处理和目标检测的方法。
技术介绍
由于信号传输波段和成像传感器存储的限制,大多数遥感卫星仅提供具有高光谱分辨率的多光谱(MSI)图像,和高空间分辨率的全色(PAN)图像。利用两种图像的优势互补,融合成具有清晰空间细节和丰富的光谱信息的融合遥感图像,这种融合技术,也被称为全色锐化技术。目前,遥感领域主流的全色锐化方法有分量替换法、多尺度分析法等。分量替换法主要通过主成分分析,施密特正交化,和强度、色调、饱和度变换等方法,在颜色空间域上对光谱图像进行变换,用全色图像替换多光谱图像的空间信息通道,由逆变换得到融合图像。多尺度分析法,指的是基于小波变换、拉普拉斯金字塔和多尺度几何分析等途径,将源图像运用多分辨分析工具分解为一序列分解系数,然后将这些分解系数通过某种融合准则合并成融合图像的分解系数,最后通过多分辨率分析工具逆变换获得融合图像。近年来,基于大规模数据的出现和深度神经网络的发展,深度学习方法成为了机器学习领域的重要研究方向。基于深度学习技术和博弈论的思想,能够由低维特征生成高维样本的生成对抗网络(GenerativeAdversarialNetworks,GAN)可以被引入用于全色锐化过程,GAN由生成网络模型和判别网络模型所构成。生成模型可以帮助生成相关样本数据,而判别模型可以判断样本的真实度,两者同时训练,生成模型则不断加强,通过不断迭代,使生成样本越来越接近真实样本。作为模式识别在遥感领域的 ...
【技术保护点】
1.一种基于深度学习的遥感图像目标检测方法,包括下列步骤:1)利用遥感图像构建相关数据集:对遥感图像进行分类和标注后,图像数据集及经过标记工作生成的类别标签,并划分训练集和测试集,用于后续的网络训练和测试;2)搭建基于生成对抗网络的全色锐化模型:GAN的生成网络G是可以学习从随机噪声向量z和1中所述数据集中的图像x,到生成的样本图像y的映射,即G:{x,z}→y,生成模型采取增加了跳转连接的U‑Net结构,分为编码层和解码层两部分,每编码一层,特征图长和宽减半,特征层数增加一半,每解码一层,特征图的长和宽加倍,特征层数增加加倍,和对应的编码层,通过通道串接,然后进行反卷积处理;基于用于分类的卷积神经网络CNN,设计判别网络模型,该网络被设计为含有一个串接层和四层卷积层;3)搭建基于深度卷积神经网络的目标检测模型:按照目标检测算法的候选区域生成,特征提取,分类,位置精修的四个步骤,将上述步骤统一到一个深度网络框架之内,在GPU内并行运算,特征提取以残差网络ResNet作为基础分类网络,其中包含若干卷积层和线性单元ReLU,设计区域生成网络结构,在提取好的特征图上,对所有可能的候选框进行判 ...
【技术特征摘要】
1.一种基于深度学习的遥感图像目标检测方法,包括下列步骤:1)利用遥感图像构建相关数据集:对遥感图像进行分类和标注后,图像数据集及经过标记工作生成的类别标签,并划分训练集和测试集,用于后续的网络训练和测试;2)搭建基于生成对抗网络的全色锐化模型:GAN的生成网络G是可以学习从随机噪声向量z和1中所述数据集中的图像x,到生成的样本图像y的映射,即G:{x,z}→y,生成模型采取增加了跳转连接的U-Net结构,分为编码层和解码层两部分,每编码一层,特征图长和宽减半,特征层数增加一半,每解码一层,特征图的长和宽加倍,特征层数增加加倍,和对应的编码层,通过通道串接,然后进行反卷积处理;基于用于...
【专利技术属性】
技术研发人员:侯春萍,夏晗,杨阳,管岱,莫晓蕾,
申请(专利权)人:天津大学,
类型:发明
国别省市:天津,12
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。