1、基于光學遙感圖像的飛機檢測一直是目標識別領域的研究熱點，無論是在民用領域還是軍用領域，飛機都是一種十分重要的戰(zhàn)略目標?，F(xiàn)如今的目標識別方法大部分都需要人工提取樣本特征，然后選擇適當?shù)姆诸惼鬟M行訓練。不僅提取過程繁瑣，且結果不一定盡如人意。而深度網絡善于刻畫問題內部的結構，利用更清晰簡明的方式表達復雜的特征，故而能夠大大提高目標檢測性能。
　　本文將深度學習引入飛機檢測的應用當中，構建了基于深度信念網絡及基于卷積神經網絡兩種飛機檢測

2、結構模型，借助優(yōu)化圖像預處理、訓練樣本獲取和改進訓練結構等方式，進一步提高檢測算法的性能，最后通過實驗同傳統(tǒng)飛機檢測算法對比驗證。
　　本文的主要工作包括:
　　首先，針對傳統(tǒng)飛機檢測方法性能差、準確率低及泛化能力弱等問題，提出了一種基于深度信念網絡的光學遙感圖像飛機檢測方法。為了合理表達輸入飛機樣本的結構特征，將二值單元替換成高斯單元作為層級網絡的激活函數(shù)。隨后，利用非極大值抑制算法去除多余標記，實現(xiàn)對檢測結果的優(yōu)化。

3、r>　　其次，針對訓練正樣本飛機朝向多樣性的問題，利用多方向旋轉擴展的方式，豐富各個方向的樣本特征。借助k-means聚類算法，均勻選取不同場景類別的負樣本，進一步完善訓練樣本信息。同時，利用超像素分割方法對待檢測圖像進行預處理，盡可能保留圖像中物體的邊緣信息。
　　最后，針對基于深度信念網絡的飛機檢測方法訓練過程復雜、檢測率不夠高等問題，提出了一種基于卷積神經網絡的光學遙感圖像飛機檢測方法。在典型的卷積神經網絡結構LeNet-5