遙感影像由于在地理測繪,環(huán)境監(jiān)測,地物識別等領域具有重要的意義,一直以來都是圖像識別領域的熱點。然而,遙感影像的識別技術(shù)還是存在很多問題。一方面,目前最流行的深度學習基礎模型都是建立在傳統(tǒng)圖像上的,沒有一種基礎模型專門針對遙感影像領域,因此通用模型并不能很好的貼合遙感影像特性;另一方面,對遙感影像內(nèi)的場景進行分類時,遠距離拍攝的場景往往具有更復雜的情形,區(qū)分度不明顯,這會給遙感影像內(nèi)多個場景的識別造成困難,導致分類精度降低。針對上述不足,本文展開了下述工作:圍繞遙感影像分類和深度學習的內(nèi)容,系統(tǒng)查閱當前國內(nèi)外研究現(xiàn)狀和研究進展,并分析和總結(jié)了相關(guān)研究的工作和方法,以說明采用深度學習方法的優(yōu)越性。針對遙感影像基礎深度模型的缺乏,在仔細研究和深入分析兩個經(jīng)典CNN系列:GoogLeNet和VGGNet之后,結(jié)合空洞卷積方法,設計出新的深度學習模型,并將新的模型在WHU-RS19和UCMerced數(shù)據(jù)集上進行實驗。之后,在和兩個經(jīng)典的CNN系列代表對比實驗中,論證改進模型的優(yōu)越性。為了使改進的模型能夠處理像素級遙感影像分類,文中利用了FCN的圖像分割原理。本部分需要深入研究FCN模型,然后利... 

【文章來源】：哈爾濱工程大學黑龍江省 211工程院校

【文章頁數(shù)】：80 頁

【學位級別】：碩士

【部分圖文】：

神經(jīng)元結(jié)構(gòu)

Sigmoid 函數(shù)和tanh 函數(shù)等。圖 2-1 中多個神經(jīng)元按照前后相連的規(guī)則，能夠組成具有多個層次的神經(jīng)網(wǎng)絡。圖2-2 是包含一個隱含層的神經(jīng)網(wǎng)絡結(jié)構(gòu)。從左到右的層次依次稱為：輸入層，隱含層和輸出層。在此例舉的神經(jīng)網(wǎng)絡結(jié)構(gòu)中，輸入層放置了 3 個神經(jīng)元結(jié)點，輸出層放置了 4個神經(jīng)元，輸出層放置了 2 個神經(jīng)元。層與層之間的節(jié)點全部相互連接在一起。最后，輸出層引出輸出箭頭。圖 2-2 三層神經(jīng)網(wǎng)絡結(jié)構(gòu)x( k 1,2,3)k設為輸入信息，l (l 1,2,3)為層數(shù)，則lijw 為第l層第i個神經(jīng)元和第 l 1層第 j 個神經(jīng)元相互聯(lián)系的權(quán)重，lib 代表第l層第i個神經(jīng)元的偏置項

,1,2,3,422322432423323223222132132jijiwabwawawawaba( 2統(tǒng)的神經(jīng)網(wǎng)絡將多個神經(jīng)元組成一排，兩排之間通過全連接相互聯(lián)系，每層的元節(jié)點都有一個輸入和一個輸出，前一層的輸出是后一層的輸入，經(jīng)過層層遞最后在輸出層的作用下，輸出最終的運算結(jié)果。積神經(jīng)網(wǎng)絡的預測原理N 是對傳統(tǒng)神經(jīng)網(wǎng)絡的改進，原理類似，都是通過層層計算和模型訓練，自絡連接的權(quán)重值和偏置值。然而，CNN 具有更深的網(wǎng)絡結(jié)構(gòu)。與傳統(tǒng)的神經(jīng)，卷積層和池化層代替了傳統(tǒng)神經(jīng)網(wǎng)絡大部分的隱含層。在訓練過程中，卷積征向量始終保持二維結(jié)構(gòu)，池化層能夠?qū)υ瓐D像進行降維，減輕了網(wǎng)絡計算代的權(quán)重矩陣稱為卷積核，它的作用是提取影像特征信息。緊隨卷積層之后的化層。由此，這樣的“卷積-池化”組合，就構(gòu)成了卷積神經(jīng)網(wǎng)絡結(jié)構(gòu)的一層 中，可以含有不定數(shù)量的卷積-池化層。CNN 網(wǎng)絡最后一層是全連接層，作圖像。

【參考文獻】：
期刊論文
[1]基于面向?qū)ο蟮母叻直媛蔬b感影像分類技術(shù)研究[J]. 杜斌,張煒.  西部資源. 2016(05)
[2]機器學習法在面向?qū)ο笥跋穹诸愔械膶Ρ确治鯷J]. 趙丹平,顧海燕,賈瑩.  測繪科學. 2016(10)
[3]SVM和ANN在多光譜遙感影像分類中的比較研究[J]. 李穎,李耀輝,王金鑫,張成才.  海洋測繪. 2016(05)
[4]基于深度學習的高分辨率遙感影像分類研究[J]. 劉大偉,韓玲,韓曉勇.  光學學報. 2016(04)
[5]基于深度支撐值學習網(wǎng)絡的遙感圖像融合[J]. 李紅,劉芳,楊淑媛,張凱.  計算機學報. 2016(08)
[6]Boosting和Bagging算法的高分辨率遙感影像分類探討[J]. 陳紹杰,逄云峰.  測繪科學. 2010(05)
[7]基于SVM決策支持樹的城市植被類型遙感分類研究[J]. 張友靜,高云霄,黃浩,任立良.  遙感學報. 2006(02)

碩士論文
[1]基于全卷積神經(jīng)網(wǎng)絡的全向場景分割研究與算法實現(xiàn)[D]. 翁健.山東大學 2017
[2]基于深度學習技術(shù)的高分辨率遙感影像建設用地信息提取研究[D]. 馮麗英.浙江大學 2017
[3]高空間分辨率遙感影像分類研究[D]. 元晨.長安大學 2016
[4]面向?qū)ο蟮母叻直媛蔬b感影像全要素分類研究[D]. 程臻.哈爾濱工業(yè)大學 2015



本文編號：3296667