深度学习在遥感图像目标检测中的应用综述

最新推荐文章于 2025-03-05 13:35:38 发布

紫芝

最新推荐文章于 2025-03-05 13:35:38 发布

阅读量1.2w

点赞数 15

文章标签：神经网络

本文链接：https://blog.csdn.net/qq_40507857/article/details/109330762

版权

深度学习在遥感图像目标检测中的应用综述

1 人工智能发展
- 1.1 发展历程
- 1.2 深度学习的应用
2 深度学习
3 遥感图像目标检测

1 人工智能发展

1.1 发展历程

人工智能提出（1950s）：人工智能AI、图灵测试
机器学习（1970s）：机器学习、数据建模
人工神经网络（1980s）：神经网络模型
深度学习（2006~）：深度神经网络

1.2 深度学习的应用

Alpha Go：打败围棋世界冠军
Object recognition：目标识别
Image Caption：看图说话
Speech recognition：语音识别
Automatic driving：自动驾驶

2 深度学习

2.1 机器学习概述

机器学习:研究如何从观测数据中学习规律，利用学习到的规律对未知的数据进行预测。
分类（离散值）
聚类（无监督学习）
回归（连续值）
降维（既可以保留数据特征，又可以降低数据量，PCA,LDA）

2.2 神经网络模型

神经网络:以数学模型模拟神经元活动，是模仿大脑神经网络结构和功能，而建立的一种信息处理系统。
单层感知机
神经网络

2.3 深度学习

深度学习：通过构建具有很多隐藏层的神经网络模型，利用海量数据自主学习数据特征，提升预测准确性。
浅层学习：①传统的神经网络，比如BP网络；②通常只包含1-2个隐藏层
深度学习：①多隐层的神经网络具有优异的特征学习能力，学习得到的特征对数据有更本质的刻画。②大数据时代的到来，高性能计算的发展都为深度学习的成熟提供了土壤。

2.4 深度学习主要模型

2.4.1 CNN-卷积神经网络

Convolutional Neural Network，卷积神经网络，解决图像识别问题；
遥感影像分类：LULC（土地利用和土地覆盖），植被、水体、裸土等。
目标识别：舰船、飞机、机场

2.4.2 FCN-全卷积神经网络

Fully Convolutional Network，全卷积神经网络，解决图像分割等问题
遥感影像分割：道路、建筑、植被等。
目标识别：舰船、飞机、机场

2.4.3 RNN-循环神经网络

Recurrent Neural Network，循环神经网络，解决时序数据处理等问题。
变化检测的问题。
多时相遥感影像分类问题，包括农作物分类、林地分类

2.5 深度学习具体实例

每一类深度学习模型都有具体的实例

2.5.1 CNN-卷积神经网络

LeNet
AlexNet
VGG
GoogLeNet
Inception
ResNet
SqueezeNet
Siamese

2.5.2 FCN-全卷积神经网络

FCN-8s
FCN-16s
FCN-32s
U-Net
SegNet
DeconvNet

2.5.3 RNN-循环神经网络

LSTM
GRU

2.6 深度学习原理

2.6.1 CNN-卷积神经网络

卷积核Kernel相当于传统BP神经网络的权值空间化
权值共享机制可以减少参数数量
池化可以减少特征参数的数量，减少计算量
Dropout可以有效避免过拟合

在这里插入图片描述

CNN典型结构-1：AlexNet

AlexNet 2012年图像识别大赛冠军，错误率为15.4%，重新引发了人们对神经网络的热情，现代CNN的奠基之作（8层）。

数据增强
Dropout策略
重叠池化策略
ReLU激活函数
LRN（局部响应归一化层），提高泛化能力
基于CUDA的多GPU并行计算

网络结构

在这里插入图片描述

CNN典型结构-2：VGG

VGG 2014年图像识别大赛的第二名，错误率降低到7.3%。

拓展了AlexNet结构，网络变得更深（16-19层）
反复堆叠33的小型卷积核和22的最大池化层
通过不断加深网络结构来提升性能
错误率大幅下降

VGG-16结构

卷积层：13
池化层：5
全连接：3

在这里插入图片描述

CNN典型结构-3：GoogLeNet

GoogLeNet 2014年图像识别大赛冠军，错误率6.7%

没有最深，只有更深（22层）
提出来Inception结构，网中网（Network inNetwork）
去除了最后的全连接层，用全局平均池化层，减少参数量，降低过拟合

在这里插入图片描述

Inception

在这里插入图片描述

CNN典型结构-4：ResNet

ResNet 2015年的图像识别大赛冠军，错误率仅3.6%。

深度继续增加（152层）
创新在残差网络
传统的卷积层或全连接层在信息传递时，或多或少存在信息丢失、损耗等问题。

ResNet网络结构

在这里插入图片描述

常规网络单元结构
在这里插入图片描述

残差网络单元结构

在这里插入图片描述

2.6.2 FCN-全卷积神经网络

FCN对图像进行像素级的分类，从而解决了语义级别的图像分割（semantic segmentation）问题。
FCN可以接受任意尺寸的输入图像采用反卷积层对最后一个卷积层的feature map进行上采样，使它恢复到输入图像相同的尺寸。
CNN卷积神经网络（Encoder，编码）+上采样Upsampling（Decoder，解码） --> FCN全卷积神经网络

在这里插入图片描述

Why FCN ？

CNN冗余由于每个像素点都需要取一个patch，那么相邻两个像素点的patch相似度是非常高的，这就导致了非常多的冗余，导致网络训练很慢。
感受野和定位精度不可兼得，当感受野选取比较大的时候，后面对应的pooling层的降维倍数就会增大，这样就会导致定位精度降低。
FCN可以把定位和分类这两个问题结合起来，语义分割是进行逐个像素点的分类。

CNN分类原理

在这里插入图片描述

FCN分类原理

在这里插入图片描述

FCN典型结构-1：FCN-xs

FCN-8s、FCN-16s、FCN-32s：反卷积实现上采样
End-to-end端到端的训练
输出图像大小与输入保持一致
FCN-8s将特征图上采样8倍
FCN-16s将特征图上采样16倍
FCN-32s将特征图上采样32倍
FCN-8s均优于FCN-16s、FCN-32s

FCN原理

在这里插入图片描述

FCN典型结构-2：U-Net

U-Net（U型卷积神经网络）
最初广泛应用于医学图像的分割领域
输入输出都是图像，没有全连接层
较浅的高分辨率层用来解决像素定位的问题
较深的层用来解决像素分类的问题
U型结构可以保证像素定位和像素分类的精度

U-Net网络结构
在这里插入图片描述

视网膜分割
在这里插入图片描述

将U-Net的思想引入遥感图像分割中
实现高精度的地物提取：建筑、道路等

地物提取结果
在这里插入图片描述
带路提取结果

FCN典型结构-3：SegNet与DeconvNet

SegNet

encoder+decoder
encoder：采用VGG-16结构
decoder：与VGG-16相对称的结构
详解：https://blog.csdn.net/zhuzemin45/article/details/79709874

在这里插入图片描述
DeconvNet

与SegNet类似
encoder采用的也是VGG-16的结构
decoder增加了两个全连接层
详解：https://www.jianshu.com/p/fa43fb059d60

在这里插入图片描述

2.6.3 RNN-循环神经网络

循环神经网络（Recurrent Neural Network，RNN）
RNN已经在众多自然语言处理（NLP）取得了重大成功及广泛应用。
与CNN不同，RNN隐藏层之间的结点不再是无连接的而是有连接的，并且隐藏层的输入不仅包括输入层的输出，还包括上一时刻隐藏层的输出，可以对任何长度的序列数据进行处理。

RNN基本结构
在这里插入图片描述

LSTM长短时记忆单元，为了解决时间上的梯度弥散问题

2.7 深度学习—迁移学习

迁移学习是未来5年的重要研究方向。—吴恩达

2.7.1 什么是迁移学习？

在面对某一领域的具体问题时，通常无法得到构建模型所需规模的数据集，尤其在遥感图像处理领域。
将一个已经利用海量数据训练好的深度学习模型，应用于同一领域的不同问题，这就是迁移学习。
迁移学习主要用于解决以下三个问题：
- 训练样本不足，导致深度神经网络的欠拟合
- 计算资源不足，导致无法进行基于深度学习的敏捷开发
- 缩短实验周期，可以直接利用计算机视觉领域的经典模型，进行模型迁移