摘要: 遥感图像的目标检测是遥感图像处理的重要方向，可以定位并识别出遥感图像中的目标，进一步提高遥感图像的利用价值。传统的目标检测方法只能检测到训练数据集中已标注的类别，但在现实场景中，经常会出现新的目标类别出现，此时需要重新收集和标注数... 展开 遥感图像的目标检测是遥感图像处理的重要方向，可以定位并识别出遥感图像中的目标，进一步提高遥感图像的利用价值。传统的目标检测方法只能检测到训练数据集中已标注的类别，但在现实场景中，经常会出现新的目标类别出现，此时需要重新收集和标注数据进行训练，成本较高且效率低。因此，为了在训练数据标注量不变的情况下尽可能地提高对新类别目标的检测率，本课题提出了基于关系型推理的遥感目标检测方法，包括以下三个研究内容： 首先，本课题研究了基于深度神经网络和旋转锚框的遥感目标检测方法，利用卷积神经网络提取图像的高维特征，研究旋转锚框和对齐卷积以解决目标定位不准确的问题。进一步地，本课题研究了基于S2ANet的旋转目标检测方法，提高了遥感图像中目标定位的准确性。 然后，本课题提出了基于零样本学习和注意力机制的语义推理型遥感目标检测方法，从外部语料库中获得类别的语义描述信息，引入零样本学习实现对未知类别的推理检测。同时，本课题提出了三种注意力机制网络，捕捉图像中任意两个位置之间的空间相关性、任意两个通道之间的通道相似性和图像不同区域之间的语义关联性，提高了遥感图像中新出现目标的检测率。 最后，本课题提出了基于图卷积和场景先验的关系推理型遥感目标检测方法，通过数据驱动方式构建关系知识图，研究了利用图卷积网络从知识图中学习拓扑信息的方法。进一步地，本课题提出了结合场景先验的关系推理型遥感目标检测方法，利用两种类型的先验信息提高了对未知类别推理识别的准确率。实验结果表明，该方法相比于其它推理型目标检测方法检测率更高，推理能力更强。 收起