高光譜圖像分類普遍利用光譜特征,而光譜特征的可分性不足,導(dǎo)致分類精度不高。同時(shí),由于同一樣本在不同高光譜圖像中的特征分布不同,導(dǎo)致傳統(tǒng)分類方法無(wú)法在多個(gè)高光譜圖像中對(duì)同一樣本實(shí)現(xiàn)有效分類。本文利用殘差網(wǎng)絡(luò)提取高光譜圖像的深層特征,利用領(lǐng)域適配網(wǎng)絡(luò)對(duì)齊不同高光譜圖像的特征空間,以提高高光譜圖像的分類性能。論文的主要結(jié)果如下:(1)針對(duì)高光譜圖像分類中光譜特征可分性不足的問(wèn)題,本文提出一種基于殘差網(wǎng)絡(luò)的高光譜圖像分類方法。該方法對(duì)高光譜圖像中每個(gè)像素點(diǎn)進(jìn)行空間特征提取,基于殘差網(wǎng)絡(luò)算法建立分類模型,利用殘差網(wǎng)絡(luò)結(jié)構(gòu)避免梯度消失問(wèn)題,以提高分類效果。(2)針對(duì)高光譜圖像分類中標(biāo)注樣本不足的問(wèn)題,本文基于深度遷移學(xué)習(xí)理論,對(duì)深層卷積網(wǎng)絡(luò)的部分中間層參數(shù)進(jìn)行有策略遷移,實(shí)現(xiàn)模型在兩組高光譜圖像數(shù)據(jù)集間的遷移學(xué)習(xí),提高在少量標(biāo)注樣本情況下的分類效果。(3)針對(duì)同類樣本在不同數(shù)據(jù)集中的特征空間偏移問(wèn)題,本文采用領(lǐng)域適配網(wǎng)絡(luò)算法對(duì)兩組高光譜圖像數(shù)據(jù)集的特征空間進(jìn)行特征對(duì)齊,提升高光譜圖像在無(wú)標(biāo)注數(shù)據(jù)情況下的分類效果。
【學(xué)位單位】：浙江工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751;TP183
【部分圖文】：

浙江工業(yè)大學(xué)碩士學(xué)位論文5圖2-1 卷積操作示意圖當(dāng)感受野中出現(xiàn)與卷積核代表的特征一致時(shí)，卷積操作后輸出到特征圖的值也就越大，即代表該區(qū)域符合卷積核中的特征。卷積層中每個(gè)卷積核都代表某一種特征，當(dāng)卷積核個(gè)數(shù)增多時(shí)，特征圖的空間維度也隨之增加，從而使下一層的特征組合更加復(fù)雜。隨著向后傳播算法對(duì)網(wǎng)絡(luò)進(jìn)行優(yōu)化，網(wǎng)絡(luò)將學(xué)習(xí)到與數(shù)據(jù)集中樣本特征空間相對(duì)應(yīng)的卷積核參數(shù)。2.2.2 卷積神經(jīng)網(wǎng)絡(luò)中常用激活函數(shù)原始數(shù)據(jù)經(jīng)過(guò)卷積層后得到特征圖，特征圖通過(guò)激活函數(shù)進(jìn)行非線性轉(zhuǎn)換，激活函數(shù)是指非線性函數(shù)，進(jìn)行非線性轉(zhuǎn)換的目的是為之前的線性操作引入非線性特征。連續(xù)可導(dǎo)的函數(shù)都能作為激活函數(shù)。目前常見(jiàn)的激活函數(shù)一般為具有指數(shù)形態(tài)的非線性函數(shù)，例如Sigmoid 函數(shù)[20]、Tanh 函數(shù)[21]、ReLU 函數(shù)[22]。假設(shè)一個(gè)卷積神經(jīng)網(wǎng)絡(luò)中只存在卷積層和全連接層

圖2-2 Sigmoid函數(shù)圖形要的性質(zhì)為其軟飽和性，這一性質(zhì)使得深度神經(jīng)，從而成為阻礙神經(jīng)網(wǎng)絡(luò)發(fā)展一個(gè)重要原因。具 函數(shù)在進(jìn)行梯度傳遞時(shí)包含了一個(gè)'f ( x )因子，Si x )就會(huì)接近于 0，導(dǎo)致向底層傳遞的梯度因?yàn)檫B乘訓(xùn)練，這一問(wèn)題在深度學(xué)習(xí)領(lǐng)域被稱為梯度消失問(wèn)有利的一面：Sigmoid 函數(shù)在物理意義上最為接近的輸出為(0,1)之間的值，所以可對(duì)輸入進(jìn)行歸一數(shù)的應(yīng)用。函數(shù)中的一個(gè)，Tanh 函數(shù)又被稱為雙曲正切。在中的雙曲正弦和雙曲余弦推導(dǎo)而來(lái)，其正式定義221tanh( )1xxexe

圖2-3 Tanh函數(shù)圖形推出：tanh( x ) 2 sigmoid (2 x ) 1具有軟飽和性，從圖 2-3 中也可看出，Tanh 函數(shù)和數(shù)將輸出映射為(-1,1)之間。Tanh 函數(shù)在深層網(wǎng)絡(luò)，因?yàn)槠漭敵鼍迪鄬?duì)于 Sigmoid 函數(shù)更接近于零梯度。Tanh 函數(shù)依舊無(wú)法避免梯度消失問(wèn)題，為解決經(jīng)網(wǎng)絡(luò)中，它是目前深度學(xué)習(xí)領(lǐng)域普遍使用的激活
【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 王斌;;基于高光譜圖像技術(shù)的水果表面農(nóng)藥殘留檢測(cè)觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術(shù)在農(nóng)產(chǎn)品監(jiān)測(cè)中的應(yīng)用進(jìn)展[J];北京農(nóng)業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術(shù)的應(yīng)用現(xiàn)狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國(guó);馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術(shù)在水果品質(zhì)檢測(cè)中的研究進(jìn)展[J];食品研究與開發(fā);2013年10期

5 葉珍;白璘;;局部保護(hù)降維與高斯混合模型的高光譜圖像分類[J];工業(yè)儀表與自動(dòng)化裝置;2017年04期

6 吳龍國(guó);何建國(guó);賀曉光;劉貴珊;王偉;王松磊;蘇偉東;羅陽(yáng);思振華;;高光譜圖像技術(shù)在水果無(wú)損檢測(cè)中的研究進(jìn)展[J];激光與紅外;2013年09期

7 閆敬文;陳宏達(dá);劉蕾;;高光譜圖像分類的研究進(jìn)展[J];光學(xué)精密工程;2019年03期

8 唐中奇;付光遠(yuǎn);陳進(jìn);張利;;基于低秩結(jié)構(gòu)提取的高光譜圖像壓縮表示[J];電子與信息學(xué)報(bào);2016年05期

9 張良培;李家藝;;高光譜圖像稀疏信息處理綜述與展望[J];遙感學(xué)報(bào);2016年05期

10 洪科;湯漫;;淺談高光譜圖像融合方法[J];科技風(fēng);2019年16期

相關(guān)博士學(xué)位論文 前10條

1 BOUKHECHBA KAMEL;基于DCT的高光譜圖像處理方法[D];武漢大學(xué);2018年

2 李嬌嬌;高光譜遙感圖像高效分類與解混方法研究[D];西安電子科技大學(xué);2016年

3 劉務(wù);基于空譜特征挖掘的高光譜圖像分類方法研究[D];哈爾濱工程大學(xué);2018年

4 李威;基于機(jī)器學(xué)習(xí)的森林多源遙感數(shù)據(jù)分析方法研究[D];哈爾濱工程大學(xué);2018年

5 李暢;高光譜遙感影像處理中的若干關(guān)鍵技術(shù)研究[D];華中科技大學(xué);2018年

6 任越美;高光譜圖像特征提取與分類方法研究[D];西北工業(yè)大學(xué);2017年

7 王慶巖;面向植被遙感監(jiān)測(cè)的高光譜圖像分類技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2018年

8 吳釗君;基于權(quán)重核范數(shù)的高光譜圖像去噪與解混方法研究[D];哈爾濱工業(yè)大學(xué);2018年

9 張星;組合空間和光譜特性的高光譜圖像異常檢測(cè)與目標(biāo)識(shí)別方法研究[D];國(guó)防科學(xué)技術(shù)大學(xué);2016年

10 馮志璽;空譜稀疏結(jié)構(gòu)學(xué)習(xí)下的高光譜數(shù)據(jù)降維與分類技術(shù)研究[D];西安電子科技大學(xué);2018年

相關(guān)碩士學(xué)位論文 前10條

1 蘇康;基于高光譜顯微成像的細(xì)胞檢測(cè)研究與應(yīng)用[D];暨南大學(xué);2017年

2 戴蕾;函數(shù)型數(shù)據(jù)分析方法及其在高光譜圖像目標(biāo)探測(cè)中的應(yīng)用[D];華中科技大學(xué);2018年

3 鄭煒玲;基于塊稀疏表達(dá)的高光譜圖像壓縮[D];武漢大學(xué);2018年

4 蘇毅;不同氮水平下冬小麥農(nóng)學(xué)參數(shù)高光譜監(jiān)測(cè)研究[D];山西農(nóng)業(yè)大學(xué);2018年

5 陳沖;南疆紅棗多角度高光譜偏振檢測(cè)模型研究[D];塔里木大學(xué);2019年

6 王立偉;深度遷移學(xué)習(xí)在高光譜圖像分類中的應(yīng)用[D];浙江工業(yè)大學(xué);2019年

7 楊承文;基于主動(dòng)學(xué)習(xí)的高光譜圖像分類[D];浙江工業(yè)大學(xué);2019年

8 陳方杰;基于生成對(duì)抗網(wǎng)絡(luò)的高光譜圖像分類[D];浙江工業(yè)大學(xué);2019年

9 房盟盟;特定溫度下灘羊肉貯藏期的高光譜—?jiǎng)恿W(xué)預(yù)測(cè)方程構(gòu)建[D];寧夏大學(xué);2018年

10 彭焱;基于波段子區(qū)間劃分的高光譜圖像分類研究[D];浙江工業(yè)大學(xué);2017年

本文編號(hào)：2868339