论文部分内容阅读
卷积神经网络(Convolutional Neural Networks,CNN)作为一种典型的深度学习模型,是一类包含卷积计算且具有深度结构的前馈神经网络。随着深度学习技术的不断进步,CNN在图像分类领域取得了巨大突破。无人机航拍作为一项新兴技术,在军事侦察、地图遥感以及交通管控等方面都得到了广泛的应用,采用CNN对航拍图像进行分类具有重要的学术研究价值。然而采用CNN进行航拍图像分类存在两个问题:其一是航拍图像会受到天气因素影响,存在照度低(阴天)以及对比度低(雾天)等问题,导致直接分类准确率低;其二是传统深度学习算法在训练时,采用大数据集进行建模,同时还会消耗大量时间与算力,由于当前航拍数据集多为小数据集,直接训练传统机器学习网络,会造成严重的过拟合问题,极易导致训练模型的泛化能力差。针对以上两个问题,本文基于迁移学习的小数据集航拍场景分类的应用背景,从航拍图像增强和识别模型改进两个方面进行了优化,解决了航拍图像质量较差和传统训练模型泛化能力较差的问题,具体研究内容如下:(1)针对恶劣天气下,航拍图像照度低以及对比度低,进而影响模型识别准确率的问题,提出了一种色调-饱和度-亮度(Hue-Saturation-Intensity,HSI)色彩空间下,基于Retinex算法改进的图像增强算法,保证了原始图像颜色不会失真,提高了图像的照度与对比度,规避了传统Retinex算法存在图像信息丢失的问题。(2)针对航拍小数据集对深度学习进行训练容易造成严重的过拟合问题,提出了一种基于CNN与受限玻尔兹曼机(Restricted Boltzmann Machine,RBM)的迁移混合模型(transferred RBM-CNN,tr-RCNN),结合了两种模型的特征学习能力,提高了在小数据集下的航拍图像分类准确率。(3)实现了基于迁移学习的无人机航拍场景识别系统,对改进的Retinex图像算法以及基于tr-RCNN模型的图像分类算法进行了软件实现,并提供了人机交互界面,验证了本文的可行性与应用价值。通过软件实验,采用改进的Retinex算法,图像信息熵和局部对比度得到了显著提升,大大提高了航拍图像的可用性。在公开数据集NWPU-RESISC45上的测试结果表明,tr-RCNN模型在小目标集的训练下,具有较高的分类准确度。