弱标签光学遥感图像目标检测研究

本书聚焦于光学遥感图像中的目标检测技术，分析图像中目标的特征及其对应的标签问题，并归纳出三种常见的标签情况，即标签错误、标签单一和标签缺失，进而引出弱标签的概念，并对每种标签问题的现有解决方案及其局限性进行探讨。基于此，书中进一步提出了针对不同标签问题的创新方法，并展示了相关实验结果。此外，部分方法还在嵌入式设备上得到了验证。

第1章 绪论
1.1 研究的背景和意义
1.2 光学遥感图像目标检测的研究现状
1.2.1 基于模型驱动的传统光学遥感图像目标检测
1.2.2 基于数据驱动的机器学习光学遥感图像目标检测
1.2.3 已公开的光学遥感图像目标检测数据集
1.2.4 光学遥感图像目标检测评估指标
1.3 本书研究内容
1.4 本书章节安排
第2章 光学遥感图像目标检测标签问题分析
2.1 光学遥感图像的发展
2.2 光学遥感图像目标的特点
2.3 光学遥感图像目标的标签问题分析
2.3.1 弱标签的定义
2.3.2 标签错误问题分析
2.3.3 标签单一问题分析
2.3.4 标签缺失问题分析
本章小结
第3章 基于伽马混合模型的光学遥感图像目标清洗和检测
3.1 引言
3.2 基于伽马混合模型的目标清洗模型
3.2.1 伽马混合模型参数估计
3.2.2 隐藏变量参数估计
3.2.3 伽马子分布参数估计
3.2.4 标签错误样本的后验概率估计
3.3 伽马混合目标清洗模型在不同数据上的例证
3.3.1 伽马混合目标清洗模型在二维数据上的例证
3.3.2 伽马混合目标清洗模型在光学遥感图像目标检测上的例证
3.4 实验数据与设置
3.4.1 实验数据集
3.4.2 数据预处理与实验环境
3.4.3 实验设置
3.5 实验结果与性能分析
3.5.1 对比方法描述
3.5.2 NWPU VHR数据集性能分析
3.5.3 TAS航摄车辆数据集的性能分析
3.5.4 敏感性分析
本章小结
第4章 基于空频联合的光学遥感图像目标鲁棒特征设计和检测
4.1 引言
4.2 光学遥感图像目标检测子
4.2.1 空频域通道特征
4.2.2 特征学习与精炼
4.2.3 分类器设计
4.2.4 快速特征尺度化检测
4.3 实验数据与设置
4.3.1 实验数据集
4.3.2 数据预处理与实验环境
4.3.3 实验设置
4.4 实验结果与性能分析
4.4.1 分类器的选择
4.4.2 性能分析
4.4.3 敏感性分析
本章小结
第5章 基于多粒度角度表示方法的遥感图像旋转目标检测
5.1 引言
5.2 基于锚框思想的单阶段旋转目标检测框架
5.3 基于多粒度角度表示方法的旋转框表征
5.3.1 粗粒度角度分类编码分析
5.3.2 细粒度角度回归编码分析
5.3.3 损失函数
5.4 实验数据与设置
5.4.1 实验数据集
5.4.2 实验预处理与实验环境
5.5 实验结果与性能分析
5.5.1 消融分析
5.5.2 对比实验与分析
本章小结
第6章 基于任务解耦知识蒸馏的遥感图像目标检测
6.1 引言
6.2 无错范式的遥感图像方向多样性目标基准框架
6.3 任务解耦知识蒸馏约束的方向多样性目标检测
6.3.1 检测头解耦蒸馏
6.3.2 角度-纵横比实例离散量化权重
6.3.3 标签分配蒸馏
6.3.4 损失函数
6.4 实验数据与设置
6.4.1 实验数据集
6.4.2 数据预处理与实验环境
6.5 实验结果与性能分析
6.5.1 消融分析
6.5.2 对比实验与分析
6.5.3 多源图像扩展实验与分析
本章小结
第7章 多源主动微调网络光学遥感图像目标自动标注和检测
7.1 引言
7.2 多源主动微调网络
7.2.1 车辆样本的迁移学习
7.2.2 基于多源数据的地面物体与地面的分离
7.2.3 主动深度车辆分类
7.3 实验数据与设置
7.3.1 实验数据集
7.3.2 数据预处理与实验环境
7.3.3 实验设置
7.4 实验结果与性能分析
7.4.1 ISPRS Vaihingen数据集性能分析
7.4.2 ISPRS Potsdam数据集性能分析
7.4.3 SAI-LCS数据集性能分析
7.4.4 消融分析
7.4.5 分辨率分析
本章小结
第8章 总结及展望
8.1 总结
8.2 展望
参考文献