遙感技術(shù)是上世紀(jì)60年代時(shí)興起的一種對(duì)地面場(chǎng)景進(jìn)行探測(cè)和解譯的綜合技術(shù)。高光譜遙感圖像的出現(xiàn),有力推進(jìn)了遙感相關(guān)研究。高光譜遙感圖像不僅能夠表征地物的結(jié)構(gòu)、形狀、位置關(guān)系等空間特征,而且包含表征物體特有物理材質(zhì)的光譜信息。這樣“圖譜合一”的突出優(yōu)勢(shì),使得高光譜遙感圖像在地質(zhì)勘測(cè)、農(nóng)業(yè)監(jiān)測(cè)、城市規(guī)劃等領(lǐng)域起著重要作用。而高光譜遙感圖像分類(lèi)作為解決以上問(wèn)題的關(guān)鍵技術(shù),一直以來(lái)都是備受人們關(guān)注且應(yīng)用前景廣泛的課題。卷積神經(jīng)網(wǎng)絡(luò)憑借其隱式學(xué)習(xí)以及深度特征提取等特性,已經(jīng)在高光譜遙感圖像分類(lèi)領(lǐng)域大放異彩。然而,卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過(guò)程中需要輸入大量的標(biāo)記樣本,高光譜遙感圖像的小樣本問(wèn)題極大地限制了信息解譯的準(zhǔn)確性。針對(duì)以上問(wèn)題,本文在目前已經(jīng)存在的處理技術(shù)的基礎(chǔ)上,以實(shí)現(xiàn)高光譜遙感圖像全面數(shù)據(jù)增強(qiáng)為出發(fā)點(diǎn),分別在數(shù)據(jù)數(shù)量層面以及數(shù)據(jù)質(zhì)量層面展開(kāi)數(shù)據(jù)增強(qiáng)工作,主要研究?jī)?nèi)容如下:（1）針對(duì)高光譜遙感圖像標(biāo)記樣本數(shù)量較少,人工標(biāo)記成本高等問(wèn)題,采用像素塊配對(duì)的方式同時(shí)增加樣本數(shù)量以及樣本多樣性。該方法以訓(xùn)練像素點(diǎn)為中心構(gòu)建像素塊,然后將同類(lèi)的像素塊以及不同類(lèi)的像素塊分別兩兩配對(duì),最終將配對(duì)后的結(jié)果輸入到... 

【文章來(lái)源】：北京化工大學(xué)北京市 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：78 頁(yè)

【學(xué)位級(jí)別】：碩士

【圖文】：

圖１－３論文整體結(jié)構(gòu)??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??

?第二章卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論???第二章卷積神經(jīng)網(wǎng)絡(luò)相關(guān)理論??２．１深度學(xué)習(xí)的發(fā)展??深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的重要分支，它在人工神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)結(jié)構(gòu)上進(jìn)行了延伸與??擴(kuò)展，是能夠自動(dòng)學(xué)習(xí)和分析數(shù)據(jù)內(nèi)在規(guī)律和特征的算法。人工神經(jīng)網(wǎng)絡(luò)是人腦神經(jīng)??網(wǎng)絡(luò)的粗略模擬，如圖２－１所示，人腦神經(jīng)網(wǎng)絡(luò)是無(wú)數(shù)個(gè)神經(jīng)細(xì)胞組成的，神經(jīng)元在??信號(hào)傳遞過(guò)程中，起主要作用的部分是樹(shù)突和軸突，而人工祌經(jīng)元利用數(shù)學(xué)模型去模??擬真實(shí)神經(jīng)元，模型的輸入用作樹(shù)突，模型的輸出用作軸突，若將輸出連接到其他人??工神經(jīng)元，便成為了下一層網(wǎng)絡(luò)的輸入，成百上千個(gè)人工神經(jīng)元相連，便構(gòu)成了人工??神經(jīng)網(wǎng)絡(luò)。??人類(lèi)大腦?人腦神經(jīng)網(wǎng)絡(luò)?神經(jīng)元??，工神經(jīng)＿?人工ｔ元??圖２－１人腦神經(jīng)網(wǎng)絡(luò)的粗略模擬??Ｆｉｇ．２－１?Ａ?ｒｏｕｇｈ?ｓｉｍｕｌａｔｉｏｎ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｉｎ?ｔｈｅ?ｈｕｍａｎ?ｂｒａｉｎ??深度學(xué)習(xí)通過(guò)構(gòu)造多層的網(wǎng)絡(luò)結(jié)構(gòu)，起初提取數(shù)據(jù)的低層次特征，隨后不斷地將??底層特征綜合和整理，組成更高級(jí)特征，最終將多層級(jí)特征組合，并選擇最有效的抽??象特征用于網(wǎng)絡(luò)學(xué)習(xí)［２８’２９］。目前已有多種優(yōu)秀的網(wǎng)絡(luò)被廣泛應(yīng)用，如長(zhǎng)短期記憶網(wǎng)絡(luò)、??生成對(duì)抗網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)和循環(huán)神經(jīng)網(wǎng)絡(luò)等等，且均己被成功應(yīng)用于圖像解譯、??智能控制和自然語(yǔ)言處理等領(lǐng)域。其中，在圖像分析方面，卷積神經(jīng)網(wǎng)絡(luò)己然表現(xiàn)出??卓越的優(yōu)勢(shì)。深度學(xué)習(xí)的概念可追溯到二十世紀(jì)四十年代，其發(fā)展可以概括為“兩次??低谷，三次增長(zhǎng)”。本節(jié)簡(jiǎn)述了深度學(xué)習(xí)以及其重要研究方向卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展過(guò)??９??

?北京化工大學(xué)碩士學(xué)位論文???程，具體如圖２－２所示。??感知器不能解決亦?／??或（ＸＯＲ）問(wèn)題?／??？?＿?物??咖乂?＼－Ｓ／Ａ?＾??〔９４）?Ｍ９８６１?＾００６＾＾?＾??ｍｃｐ神經(jīng)元?ｍ??數(shù)學(xué)翻?階戽１＊?ｍ．??圖２－２深度學(xué)習(xí)發(fā)展過(guò)程??Ｆｉｇ．２－２?Ｄｅｖｅｌｏｐｍｅｎｔ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??１９４３年，美國(guó)神經(jīng)科學(xué)家ＭｃＣｕｌｌｏｃｈ和美國(guó)數(shù)學(xué)家Ｐｉｔｔｓ第一次提出人工神經(jīng)網(wǎng)??絡(luò)的概念，并依據(jù)生物神經(jīng)元的結(jié)構(gòu)定義了抽象簡(jiǎn)化版的ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ?（ＭＣＰ）模??型。該模型的目的是利用計(jì)算機(jī)模擬生物神經(jīng)元的反應(yīng)過(guò)程，奠定了人工神經(jīng)網(wǎng)絡(luò)的??研宄基礎(chǔ)＿。１９５８年，Ｒｏｓｅｎｂｌａｔｔ提出了感知器模型，該網(wǎng)絡(luò)包含兩層神經(jīng)元，依??托ＭＣＰ模型對(duì)多維數(shù)據(jù)實(shí)現(xiàn)二分類(lèi)，引起了第一波人工智能（Ａｒｔｉｆｉｃｉａｌ?Ｉｎｔｅｌｌｉｇｅｎｃｅ，??ＡＩ）學(xué)習(xí)浪潮［３１］。然而，１９６９年，美國(guó)數(shù)學(xué)家Ｍｉｎｓｋｙ證明了感知器是一種線性模型，??僅能處理線性問(wèn)題，甚至連簡(jiǎn)單的亦或（ＸＯＲ）都不能解決。自此，淺層人工神經(jīng)網(wǎng)??絡(luò)的研究陷入了低谷。２０世紀(jì)８０年代初，研究發(fā)現(xiàn)可以通過(guò)增加網(wǎng)絡(luò)的深度以實(shí)現(xiàn)??非線性功能。另外，１９８６年，適用于多層感知器的反向傳播算法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，??ＢＰ）被提出，該方法通過(guò)誤差反向逐層傳遞的方式有效解決了非線性分類(lèi)問(wèn)題，同時(shí)??引起了人工神經(jīng)網(wǎng)絡(luò)的第二次研究熱潮［３２］。然而，１９９１年，研究發(fā)現(xiàn)ＢＰ算法存在梯??度消失問(wèn)題，也就是說(shuō)，存在誤差梯度逐層傳到前層時(shí)幾乎為零的情況，大大限制了?

【參考文獻(xiàn)】：
期刊論文
[1]高光譜遙感圖像空譜聯(lián)合分類(lèi)方法研究[J]. 李鐵,孫勁光,張新君,王星.  儀器儀表學(xué)報(bào). 2016(06)
[2]加權(quán)空-譜與最近鄰分類(lèi)器相結(jié)合的高光譜圖像分類(lèi)[J]. 黃鴻,鄭新磊.  光學(xué)精密工程. 2016(04)
[3]基于空間約束加權(quán)條件稀疏表示高光譜圖像分類(lèi)[J]. 陳善學(xué),屈龍瑤,胡燦.  系統(tǒng)工程與電子技術(shù). 2016(02)
[4]冷色調(diào)圖像的灰度化及其客觀評(píng)價(jià)方法[J]. 徐曉慶,王亦紅.  計(jì)算機(jī)工程與設(shè)計(jì). 2014(08)
[5]高光譜遙感圖像最大似然分類(lèi)問(wèn)題及解決方法[J]. 李慶亭,張連蓬,楊鋒杰.  山東科技大學(xué)學(xué)報(bào)(自然科學(xué)版). 2005(03)

碩士論文
[1]基于深度學(xué)習(xí)的圖像分類(lèi)的研究[D]. 閆蕾芳.山東大學(xué) 2017
[2]基于深度學(xué)習(xí)的高光譜圖像分類(lèi)算法的研究[D]. 王凡.中國(guó)科學(xué)技術(shù)大學(xué) 2017



本文編號(hào)：3038780