光学遥感图像中飞行器目标细粒度分类的研究

目录

声明

第一章 绪论

1.1.1 光学遥感图像的研究背景和意义

1.1.2 光学遥感图像中细粒度分类的研究背景和意义

1.2.1 基于普通目标物体的细粒度识别的研究现状

1.2.2 基于光学遥感图像中细粒度目标物体识别的研究现状

1.4论文结构

第二章 基于细粒度数据集的数据增广策略及模型评估

2.1数据增广方法

2.1.1 基于特征兴趣点的数据增广方法

2.2基于混淆图的混淆类别筛选方法

2.2.1 混淆图构造算法

2.2.2 遥感图像中飞行器目标混淆图的构造

2.3基于CAM的关键部位定位方法

2.3.1 基于Grad-CAM的全局特征定位方法

2.3.2 基于Part-Grad-CAM的部位特征定位方法

2.4实验结果及分析

2.4.1 实验环境

2.4.2 遥感图像中飞行器数据集采集方法

2.4.3 数据增广方法分析

2.4.4 基于混淆图的混淆类别分析

2.4.5 基于CAM的可视化方法分析

2.5本章总结

第三章 基于卷积神经网络的关键点预测算法

3.1.1 关键点预测方法的应用

3.1.2 基于无监督信息的关键点预测

3.2基于VGG199的关键点预测算法

3.2.1 训练数据集准备

3.2.2 神经网络的迁移学习

3.2.3 关键点预测模型的分类器设计

3.2.4 关键点预测模型的损失函数设计

3.3.1 实验环境与数据处理

3.3.2 不同dropout层数对关键点预测的影响

3.3.3 不同损失函数对关键点预测的影响

3.3.4 不同keep_pro值对关键点预测的影响

3.3.5 不同坐标值对关键点预测的影响

3.3.6 关键点预测效果分析

3.3.7 飞行器目标在任意角度下的关键点预测分析

3.3.8 飞行器目标在固定角度下的关键点预测分析

3.4本章总结

第四章 基于关键点特征融合的细粒度分类算法

4.1部位候选框选择策略

4.2基于部位全连接层的特征融合方法

4.2.1 基于部位全连接层网络的基本结构

4.2.2 语义化的ROI Pooling层

4.2.3 基于部位的全连接层

4.2.4 联合全连接层

4.3基于关键点特征融合的细粒度分类算法

4.4细粒度识别算法的性能研究

4.4.1 实验环境

4.4.2 基于部位全连接层的识别算法与基本识别网络的性能对比

4.4.3 部位全连接层与特征简单堆叠方法的对比

4.4.4 不同PFC和CFC层数对识别的影响

4.4.5 不同部位数量对识别的影响

4.4.6 基于关键点特征融合的细粒度分类算法性能比较

4.4.7 实验结果分析

4.5本章总结

第五章 总结与展望

5.2研究展望

致谢

参考文献

作者在学期间取得的学术成果

附录A 飞行器数据集在各分类模型上的混淆分析

A.1.1 VGG-19模型的混淆矩阵

A.1.2 VGG-19的Grad-CAM可视化分析

A.2 Alexnet模型的混淆分析

A.2.1 Alexnet模型的混淆矩阵

A.3 Resnet-101模型的混淆分析

A.3.1 Resnet-101模型的混淆矩阵