基于深度學習的遙感圖像目標檢測

理論方法篇第1章 概 述1.1 遙感的基本過程1.2 遙感圖像類型及特點1.3 遙感圖像目標檢測基本內(nèi)涵1.4 遙感圖像目標檢測研究現(xiàn)狀1.4.1 光學遙感圖像目標檢測1.4.2 星載SAR圖像目標檢測1.5 遙感圖像目標檢測面臨的挑戰(zhàn)第2章 基于深度學習的遙感圖像目標檢測基礎(chǔ)理論和方法2.1 深度學習的發(fā)展與應(yīng)用2.2 卷積神經(jīng)網(wǎng)絡(luò)2.2.1 經(jīng)典神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)2.2.2 卷積神經(jīng)網(wǎng)絡(luò)基本組成2.2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練和優(yōu)化2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的目標檢測方法分析2.3.1 基本框架2.3.2 骨干網(wǎng)絡(luò)2.3.3 經(jīng)典模型2.4 遙感圖像目標檢測常用數(shù)據(jù)集2.4.1 光學遙感圖像目標檢測數(shù)據(jù)集2.4.2 星載SAR圖像目標檢測數(shù)據(jù)集2.5 遙感圖像目標檢測評價指標光學圖像篇第3章 基于全卷積網(wǎng)絡(luò)的光學遙感圖像均衡語義分割3.1 引言3.2 問題分析與相關(guān)方法概述3.3 基于改進U型網(wǎng)絡(luò)的語義分割方法3.3.1 模型結(jié)構(gòu)3.3.2 數(shù)據(jù)預(yù)處理3.3.3 改進的類別均衡策略3.3.4 模型的訓(xùn)練和性能評價3.4 實例分析3.5 本章小結(jié)第4章 尺度相關(guān)的光學遙感圖像邊界框回歸檢測4.1 引言4.2 問題分析與相關(guān)方法概述4.2.1 問題分析4.2.2 目標檢測的多尺度方法4.3 尺度相關(guān)的改進型YOLOv3模型4.3.1 改進型YOLOv3模型結(jié)構(gòu)4.3.2 基于多尺度聚類的魯棒錨點生成方法4.3.3 改進多任務(wù)損失函數(shù)4.3.4 訓(xùn)練數(shù)據(jù)的多尺度選擇性采樣4.3.5 模型訓(xùn)練策略和性能評價4.4 實例分析4.5 本章小結(jié)第5章 旋轉(zhuǎn)卷積集成的光學遙感圖像傾斜邊界框回歸檢測5.1 引言5.2 問題分析與相關(guān)方法概述5.3 旋轉(zhuǎn)卷積集成的改進YOLOv3模型5.3.1 模型結(jié)構(gòu)5.3.2 傾斜邊界框參數(shù)化描述5.3.3 旋轉(zhuǎn)卷積集成模塊5.3.4 帶角度懲罰的多任務(wù)損失函數(shù)5.3.5 傾斜軟非極大值抑制算法5.4 實例分析5.5 本章小結(jié)SAR圖像篇第6章 面向艦船目標檢測的SAR圖像預(yù)處理6.1 引言6.2 基于自適應(yīng)非局部均值的SAR圖像相干斑抑制6.2.1 問題分析6.2.2 基于自適應(yīng)塊匹配的非局部均值去噪框架6.2.3 基于Gabor濾波器的自適應(yīng)非局部均值算法6.2.4 實例分析6.3 基于超像素合并的SAR圖像海陸分割6.3.1 問題分析6.3.2 基于改進SLIC的超像素生成6.3.3 基于超像素合并的海陸分割算法6.3.4 實例分析6.4 本章小結(jié)第7章 基于全卷積網(wǎng)絡(luò)的SAR圖像艦船目標檢測7.1 引言7.2 模型框架7.2.1 特征圖映射與艦船目標編碼7.2.2 中心度量7.2.3 基于FPN的多級預(yù)測7.2.4 損失函數(shù)7.3 算法實現(xiàn)7.3.1 SARNet骨干網(wǎng)絡(luò)7.3.2 中心度量權(quán)重共享7.3.3 泛化交并比損失函數(shù)7.3.4 自適應(yīng)樣本選擇7.4 實例分析7.4.1 實驗環(huán)境及參數(shù)設(shè)置7.4.2 基線實驗結(jié)果7.4.3 消融實驗結(jié)果7.4.4 對比實驗結(jié)果7.5 本章小結(jié)第8章 基于評分圖的SAR圖像艦船目標檢測8.1 引言8.2 模型框架8.2.1 評分圖回歸網(wǎng)絡(luò)8.2.2 邊框回歸網(wǎng)絡(luò)8.3 算法實現(xiàn)8.3.1 U-Net-SAR骨干網(wǎng)絡(luò)8.3.2 艦船實例融合8.4 實例分析8.4.1 實驗環(huán)境及參數(shù)設(shè)置8.4.2 基線實驗結(jié)果8.4.3 消融實驗結(jié)果8.4.4 對比實驗結(jié)果8.5 本章小結(jié)第9章 基于知識蒸餾的SAR圖像艦船目標檢測模型輕量化壓縮9.1 引言9.2 基于通道權(quán)重量化的模型剪枝9.2.1 基于BN層可學習參數(shù)的通道權(quán)重量化9.2.2 基于通道權(quán)重排序的全局剪枝9.3 基于特征學習的知識蒸餾9.3.1 知識蒸餾框架9.3.2 損失函數(shù)9.4 實例分析9.4.1 實驗環(huán)境及參數(shù)設(shè)置9.4.2 模型剪枝實驗結(jié)果9.4.3 知識蒸餾實驗結(jié)果9.4.4 消融實驗及對比實驗結(jié)果9.5 本章小結(jié) 0章 結(jié)束語