基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測(cè)

理論方法篇第1章 概 述1.1 遙感的基本過(guò)程1.2 遙感圖像類型及特點(diǎn)1.3 遙感圖像目標(biāo)檢測(cè)基本內(nèi)涵1.4 遙感圖像目標(biāo)檢測(cè)研究現(xiàn)狀1.4.1 光學(xué)遙感圖像目標(biāo)檢測(cè)1.4.2 星載SAR圖像目標(biāo)檢測(cè)1.5 遙感圖像目標(biāo)檢測(cè)面臨的挑戰(zhàn)第2章 基于深度學(xué)習(xí)的遙感圖像目標(biāo)檢測(cè)基礎(chǔ)理論和方法2.1 深度學(xué)習(xí)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(biāo)檢測(cè)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(biāo)檢測(cè)常用數(shù)據(jù)集2.4.1 光學(xué)遙感圖像目標(biāo)檢測(cè)數(shù)據(jù)集2.4.2 星載SAR圖像目標(biāo)檢測(cè)數(shù)據(jù)集2.5 遙感圖像目標(biāo)檢測(cè)評(píng)價(jià)指標(biāo)光學(xué)圖像篇第3章 基于全卷積網(wǎng)絡(luò)的光學(xué)遙感圖像均衡語(yǔ)義分割3.1 引言3.2 問(wèn)題分析與相關(guān)方法概述3.3 基于改進(jìn)U型網(wǎng)絡(luò)的語(yǔ)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(jìn)的類別均衡策略3.3.4 模型的訓(xùn)練和性能評(píng)價(jià)3.4 實(shí)例分析3.5 本章小結(jié)第4章 尺度相關(guān)的光學(xué)遙感圖像邊界框回歸檢測(cè)4.1 引言4.2 問(wèn)題分析與相關(guān)方法概述4.2.1 問(wèn)題分析4.2.2 目標(biāo)檢測(cè)的多尺度方法4.3 尺度相關(guān)的改進(jìn)型YOLOv3模型4.3.1 改進(jìn)型YOLOv3模型結(jié)構(gòu)4.3.2 基于多尺度聚類的魯棒錨點(diǎn)生成方法4.3.3 改進(jìn)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(píng)價(jià)4.4 實(shí)例分析4.5 本章小結(jié)第5章 旋轉(zhuǎn)卷積集成的光學(xué)遙感圖像傾斜邊界框回歸檢測(cè)5.1 引言5.2 問(wèn)題分析與相關(guān)方法概述5.3 旋轉(zhuǎn)卷積集成的改進(jìn)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(shí)例分析5.5 本章小結(jié)SAR圖像篇第6章 面向艦船目標(biāo)檢測(cè)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(wèn)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(shí)例分析6.3 基于超像素合并的SAR圖像海陸分割6.3.1 問(wèn)題分析6.3.2 基于改進(jìn)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(shí)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(biāo)檢測(cè)7.1 引言7.2 模型框架7.2.1 特征圖映射與艦船目標(biāo)編碼7.2.2 中心度量7.2.3 基于FPN的多級(jí)預(yù)測(cè)7.2.4 損失函數(shù)7.3 算法實(shí)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(shí)例分析7.4.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置7.4.2 基線實(shí)驗(yàn)結(jié)果7.4.3 消融實(shí)驗(yàn)結(jié)果7.4.4 對(duì)比實(shí)驗(yàn)結(jié)果7.5 本章小結(jié)第8章 基于評(píng)分圖的SAR圖像艦船目標(biāo)檢測(cè)8.1 引言8.2 模型框架8.2.1 評(píng)分圖回歸網(wǎng)絡(luò)8.2.2 邊框回歸網(wǎng)絡(luò)8.3 算法實(shí)現(xiàn)8.3.1 U-Net-SAR骨干網(wǎng)絡(luò)8.3.2 艦船實(shí)例融合8.4 實(shí)例分析8.4.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置8.4.2 基線實(shí)驗(yàn)結(jié)果8.4.3 消融實(shí)驗(yàn)結(jié)果8.4.4 對(duì)比實(shí)驗(yàn)結(jié)果8.5 本章小結(jié)第9章 基于知識(shí)蒸餾的SAR圖像艦船目標(biāo)檢測(cè)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(xué)習(xí)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(xué)習(xí)的知識(shí)蒸餾9.3.1 知識(shí)蒸餾框架9.3.2 損失函數(shù)9.4 實(shí)例分析9.4.1 實(shí)驗(yàn)環(huán)境及參數(shù)設(shè)置9.4.2 模型剪枝實(shí)驗(yàn)結(jié)果9.4.3 知識(shí)蒸餾實(shí)驗(yàn)結(jié)果9.4.4 消融實(shí)驗(yàn)及對(duì)比實(shí)驗(yàn)結(jié)果9.5 本章小結(jié) 0章 結(jié)束語(yǔ)