基于形状先验和深度神经网络的遥感目标自动标注
这是一篇关于SAR,光学遥感图像,语义分割,目标重建,形状先验的论文, 主要内容为遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器(编码器),空洞空间金字塔池化(ASPP)模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。
基于形状先验和深度神经网络的遥感目标自动标注
这是一篇关于SAR,光学遥感图像,语义分割,目标重建,形状先验的论文, 主要内容为遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器(编码器),空洞空间金字塔池化(ASPP)模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。
惯导模型辅助的视频SAR高精度成像处理技术研究
这是一篇关于SAR,INS校正,APC误差,运动补偿,W波段视频SAR的论文, 主要内容为合成孔径雷达(Synthetic Aperture Radar,SAR)具有全天候全天时的侦察能力,其在环境监测、灾害救援、地理测绘、军事侦察等领域发挥着重要的作用。视频SAR作为传统SAR的延伸,能够以高帧率成像实现对目标场景的持续监控,现已广泛应用于军事和民用领域。后向投影算法(BP)作为SAR成像的主流算法,已大量应用于视频SAR成像处理。得益于其通用性和滑动窗口架构,BP算法可以在固定坐标系中实现不同轨迹的高帧率视频SAR成像。由于BP算法通过天线相位中心(APC)与每个像素之间的距离历史来计算补偿函数,因此精确的APC轨迹对于高质量SAR成像至关重要,APC轨迹通常通过惯性导航系统(INS)与全球定位系统(GPS)相结合的方式进行测量。为此,本文开展了基于BP算法的视频SAR数据处理的一系列研究,主要内容和贡献如下:(1)本文建立了机载SAR惯导系统误差模型:APC轨迹是通过INS中的三轴加速度计和三轴陀螺仪解算得到,因此微小的加速度和陀螺仪误差会导致不可忽略的运动测量误差,且误差随着时间的推移而增加。通过对误差模型的仿真分析发现,INS误差会导致APC轨迹存在误差,从而导致视频SAR后向投影(v-BP)算法获取的图像序列在固定坐标系下存在漂移。(2)本文首次提出了一种基于点云匹配网络RPM-Net的APC补偿算法(ACARPM)。通过对子孔径图像之间的误差进行估计进而对APC轨迹实现补偿,并利用补偿后的APC轨迹再次进行成像即可得到精确配准的视频SAR子孔径图像序列以及聚焦良好的长孔径图像。与基于相位的SAR自聚焦方法不同,ACA-RPM仅利用SAR图像的幅值信息解决运动误差补偿问题,具有更好的鲁棒性。此外,由于INS误差主要是慢时变的,估计得到的INS定标系数可以应用于后续数据的运动补偿,大大降低了运动误差补偿的成本。(3)本文基于ACA-RPM,通过集成SAR成像、运动误差补偿、多帧相参融合以及动目标跟踪与再聚焦,提出了基于点云的联合自聚焦和配准(JAR-PC)的视频SAR数据处理框架。通过利用RPM-Net估计子孔径SAR图像点云中的等距变换,可以精确校准惯性导航系统的低阶测量误差。将补偿后的APC轨迹应用于BP算法,可以获得精确配准且聚焦清晰的W波段视频SAR图像。实验结果表明,JAR-PC可以轻松将孔径长度从3秒扩展到9秒,而不会出现任何明显的散焦,并且可以将多个子孔径SAR图像相参地融合为长孔径SAR图像。(4)通过将动目标后向投影(m-BP)算法与阴影跟踪技术结合,JAR-PC可以将SAR图像精确投影到地理坐标系上,并对动目标进行跟踪、标记和指示。与现有方法相比,JAR-PC可以在环标定INS,将SAR处理流程划分为简单且具有鲁棒性的机载数据处理前端和基于人工智能的地面处理站,对于轻量平台SAR成像更加灵活、高效、可靠,可以大幅度提高SAR数据处理水平。
基于形状先验和深度神经网络的遥感目标自动标注
这是一篇关于SAR,光学遥感图像,语义分割,目标重建,形状先验的论文, 主要内容为遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器(编码器),空洞空间金字塔池化(ASPP)模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。
基于形状先验和深度神经网络的遥感目标自动标注
这是一篇关于SAR,光学遥感图像,语义分割,目标重建,形状先验的论文, 主要内容为遥感影像的解译研究一直都是卫星应用领域的重要课题。深度学习及深度卷积网络在计算机视觉领域取得巨大进展的同时,也为遥感影像的分类与识别提供了新的思路与方法。然而,神经网络由数据驱动,需要从大量样本中学习相应特征,因此,样本集的优劣很大程度上决定了神经网络的性能。然而,对于遥感数据来说,其可用于训练的样本数量很少,虽然有前期的积累,但现存遥感数据集丰富性和多样性都不够充分,一定程度上限制了现有算法在遥感数据上的应用。因此,为了快速、准确的获得大量的标注信息,自动标注的算法应势而生。本文分别研究了高分辨SAR飞机目标以及六类光学遥感目标的像素级标注算法,其中,依据目标重建思想完成高分辨SAR飞机目标的自动标注;基于图像语义分割模型,实现光学遥感影像感兴趣目标的自动标注。主要的研究内容如下所述:1.提出一种基于形状先验的SAR飞机目标自动标注算法,该算法由两个阶段组成——初步重建、重建优化。对于第一个阶段,本文将具有飞机目标完整轮廓信息的二值形状模板作为先验,利用生成对抗网络对其进行建模,通过所得模型对飞机切片进行初步重建;在重建优化阶段,本文以重建结果作为初始分割结果,结合源数据特征,构建了一种凸分割模型,通过分裂布雷格曼算法对该模型进行求解,获得分割结果,最后通过多边形近似分割结果的轮廓获得待标注飞机目标的像素级标注结果。2.提出一种基于多尺度特征的光学遥感目标标注算法。该算法首先通过分割模型对待标注目标进行前背景分割,之后利用多边形逼近分割结果的轮廓生成标注结果,分割结果准确与否决定了标注结果的优劣。因此,我们主要对分割模型进行了改进。我们以Res Net34网络为特征提取器(编码器),空洞空间金字塔池化(ASPP)模块为解码器,构建基础分割网络,针对数据集中待标注目标尺度差异大的问题,根据编码器的下采样策略改进ASPP的分支结构,并利用多尺度特征进行决策;同时,为了增强不同尺度特征之间的交流,引入跨尺度聚合模块,优化标注结果。3.提出一种基于空间注意力和选择性特征融合的光学遥感目标标注算法。该算法采用与上一个工作相同的框架,并对其所提分割模型进行进一步优化。具体的,我们采用轻量化模型Mobilenetv2作为编码器,第二个工作所提出的并行多分支结构为解码器,构建基础模型,针对遥感影像背景复杂的特点,为并行多分支结构加入空间注意力模块,同时,为了改善标注结果的边界,提出基于SSB结构的特征融合分支,利用高级特征指导低级特征,进而恢复前景目标边界处的空间细节信息。
本文内容包括但不限于文字、数据、图表及超链接等）均来源于该信息及资料的相关主题。发布者：源码港湾 ，原文地址：https://bishedaima.com/lunwen/54322.html
