1101 浏览城市违章建筑检测技术论文范文提纲--基于深度学习的城市违章建筑检测方法研究
摘要：城市非法建筑非法占用公共资源，影响城市形象，存在很大的安全隐患。目前，我国城市管理主要采用低效的人工检测非法建筑。无人机航空摄影技术的不断普及和深入学习的日益成熟，使基于无人机航空摄影图像和深入学习方法的非法建筑目标有可能进行检测。因此，本文主要采用深入学习的方法来研究无人机航空摄影图片中非法建筑的检测方法。由于非法建筑种类繁多，不同类型的非法建筑不仅具有很大的特点，而且具有不同的样本规模。本文分别研究了不同类型的非法建筑和小样本类型。本文的主要研究内容如下：（1）提出了基于FasterRCNN的无人机航空摄影图像中非法建筑的目标检测方法。结合非法建筑中数据量较大的彩钢瓦和阳光房的特点，可以改进Fasternn网络中的彩钢瓦和阳光房。（2）提出了基于迁移学习的非法建筑目标小样本检测方法。为了解决板房数据较少的问题，采用迁移学习方法将训练有效的彩钢瓦检测模型作为源模型迁移到数据量较少的板房检测中，采用非生成数据增强方法增强数据集，提高板房模型的训练效率和检测精度。（3）提出了基于DCGAN的小样本，以增强非法建筑的目标检测方法。针对非数据增强可能存在的过拟合问题，采用深度卷积生成对抗网络DCGAN研究非法建筑类型的数据增强方法。为了减少背景噪声对图像生成的影响，使图像生成的目标更接近真实样本中的图像，将生成的样本数据与原始数据合成，扩大样本规模，提高样本数据的多样性和模型检测精度。本文提出的基于深度学习和无人机航空摄影技术的城市非法建筑检测方法，可以大大降低人工检测的工作量，提高城市非法建筑的检测效率，为城市非法建筑的快速准确检测提供理论和应用基础。
关键词：违章建筑检测;迁移学习;DCGAN;无人机航摄;
摘要
ABSTRACT
第1章 绪论
1.1 研究背景及意义
1.2 国内研究现状
1.2.1 违章建筑智能检测的研究现状
1.2.2 基于深度学习的目标检测研究现状
1.2.3 基于深度学习的城市管理研究现状
1.3 本文主要研究工作
1.4 本文组织
第2章 基于Faster R-CNN的违章建筑检测方法
2.1 数据预处理
2.2 彩钢瓦与阳光房检测模型
2.3 模型改进
2.3.1 区域推荐网络的改进
2.3.2 改进模型的训练与检测
2.3.3 模型训练的方式
2.4 实验及结果分析
2.4.1 实验方案
2.4.2 实验与分析
2.5 本章小结
第3章 基于迁移学习的小样本违章建筑检测方法
3.1 数据获取及预处理
3.1.1 数据获取
3.1.2 数据预处理
3.1.3 非生成式数据增强方法
3.2 迁移学习
3.2.1 迁移学习介绍
3.2.2 特征迁移执行过程
3.3 模型的训练和检测
3.4 实验及结果分析
3.4.1 实验方案
3.4.2 结果及分析
3.5 本章小结
第4章 基于DCGAN数据增强的违章建筑检测方法
4.1 深度卷积生成对抗网络
4.1.1 生成对抗网络
4.1.2 DCGAN的网络结构
4.1.3 目标函数
4.2 DCGAN的数据预处理
4.3 实验及结果分析
4.3.1 实验平台
4.3.2 实验方案
4.4 本章小结
第5章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
