基于遥感图像的飞机目标检测与识别方法研究的中期报告.docx

基于遥感图像的飞机目标检测与识别方法研究的中期报告
本次报告主要介绍基于遥感图像的飞机目标检测与识别方法研究的中期成果，包括数据集的构建、特征提取方法的选择以及目标检测与识别算法的设计和实现等方面。
一、数据集的构建
本研究使用的数据集来自一个公开的遥感图像数据集，包含多张卫星图像，每张图像大小为1000x1000像素，分辨率为0.5米/像素。数据集中包含多个类别的目标，其中包括飞机目标，同时也包括其他一些常见的目标如建筑、道路、水体等。
为了构建飞机目标检测与识别的数据集，我们使用了以下方法：
1.从数据集中选取包含飞机目标的图像，并手动标注每张图像中的飞机目标边界框。
2.对标注好的图像进行裁剪，得到多张小图像，每张小图像大小为256x256像素。同时，为了增加数据集的样本数量，我们对每张小图像做了一系列的数据增强操作，如随机旋转、缩放、平移、镜像等。
3.最终得到了一个包含约10000张训练图像和2000张测试图像的飞机目标检测与识别数据集。
二、特征提取方法的选择
针对本研究中的数据集，我们选择了深度学习中的卷积神经网络（ConvolutionalNeuralNetwork,CNN）作为特征提取器。具体地，我们选用了现有的一些预训练的CNN模型，如VGG16、ResNet等，并对这些模型进行微调，以适应我们的目标检测与识别任务。
三、目标检测与识别算法的设计和实现
对于目标检测算法，我们选用了基于区域提议的方法，具体来说，我们使用了FasterR-CNN算法。该算法基于深度学习模型，并通过RPN（RegionProposalNetwork）网络来生成目标的候选区域，进而进行目标检测。我们将FasterR-CNN算法应用到我们的数据集中，进行了实验和优化。
对于目标识别算法，我们使用了常见的分类器，如SVM、随机森林等，同时通过特征融合的方法来提高分类器的性能。我们进行了多组实验，对分类器进行了参数调整和优化，并最终得到了较好的目标识别效果。
总之，本研究通过构建数据集、选择特征提取方法和设计优化目标检测与识别算法等方面的探索，初步实现了基于遥感图像的飞机目标检测与识别。对于未来的研究，我们将进一步完善算法，并尝试将其应用到实际场景中。