基于深层语义特征的遥感影像人工目标检测方法开题报告

1. 研究目的与意义（文献综述包含参考文献）

2012年，卷积神经网络alexnet 通过强大的分层特征学习能力在imagenet分类任务中夺魁，其分类结果比传统算法要好得多 . 之后 girshirk等基于此提出通用的目标检测模型rcnn.[14]传统的基于滑窗搜索和人工设计特征相结合的目标检测方法难以适用于海量高分辨率遥感图像的目标检测任务。

[1]传统的目标检测识别方法难以适应海量高分辨率遥感影像数据，需要寻求一种能够自动从海量影像数据中学习最有效特征的方法，充分复挖掘数据之间的关联。

自从 hinton 提出利用神经网络对多媒体数据中的高层特征进行自动学习以来，基于深度学习的目标检测已成为计算机视觉领域中一个重要的研究热点，其旨在从图像中定位感兴趣的目标，准确判断每个目标的类别，并给出每个目标的边界框。

2. 研究的基本内容、问题解决措施及方案

近年来非常活跃的深度学习为自动目标检测提供了一个有效的框架 ，其中应用最为成功的是快速区域卷积神经网络。

该方法是一种快速、准确、一体化的检测框架，在常见的21类近景图像数据集中取得了非常优越的检测效果，诸多学者在这个基础之上对其进行了改进。

但是，ＦＲＣＮ 类的方法在遥感中的应用仍然较少，主要有以下几方面制约：①遥感图像中的目标通常是任意方向分布的，目标方向多变会给同一类目标的表征建模带来挑战；②遥感图像中的目标通常尺寸差异较大，且往往呈现密集分布的特点，而 ＦＲＣＮ 类的方法对小而密集分布的目标检测性能不佳。