深度学习在遥感图像目标检测中的应用
人工智能发展
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
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
深度学习
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)
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
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。
深度学习主要模型
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
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
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
深度学习具体实例
每一类深度学习模型都有具体的实例
CNN-卷积神经网络
- LeNet
- AlexNet
- VGG
- GoogLeNet
- Inception
- ResNet
- SqueezeNet
- Siamese
FCN-全卷积神经网络
- FCN-8s
- FCN-16s
- FCN-32s
- U-Net
- SegNet
- DeconvNet
RNN-循环神经网络
深度学习原理
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
FCN-全卷积神经网络
RNN-循环神经网络
遥感图像目标检测