高光譜成像技術(shù)在過(guò)去的四十年中經(jīng)歷了從相關(guān)資料匱乏到被廣泛研究甚至在一些領(lǐng)域商用的過(guò)程。高光譜影像具有豐富的光譜曲線,傳統(tǒng)的高光譜影像分類(lèi)主要利用的是光譜信息,分類(lèi)效果不是很理想。隨著成像技術(shù)的發(fā)展,高光譜影像的空間分辨率也逐漸提高,空間信息和光譜信息相結(jié)合的方法受到越來(lái)越多學(xué)者的青睞。然而,提取空間信息的方法千差萬(wàn)別,而且有標(biāo)記樣本少、標(biāo)記成本高,那么如何高效提取特征、擴(kuò)增樣本集一直是研究的關(guān)鍵。近年來(lái),隨著人工智能的興起,深度學(xué)習(xí)技術(shù)逐漸進(jìn)入人們的視野。深度學(xué)習(xí)最早興起于圖像識(shí)別,但是在短短的幾年時(shí)間內(nèi),深度學(xué)習(xí)推廣到了機(jī)器學(xué)習(xí)的各個(gè)領(lǐng)域。如今,深度學(xué)習(xí)在很多機(jī)器學(xué)習(xí)領(lǐng)域都有著非常出眾的表現(xiàn)。本文利用深度學(xué)習(xí)在特征提取上的優(yōu)勢(shì),將深度學(xué)習(xí)應(yīng)用到高光譜影像的分類(lèi)任務(wù)中,主要貢獻(xiàn)為:針對(duì)深度網(wǎng)絡(luò)訓(xùn)練難度高、特征使用效率低這一問(wèn)題,提出了一種基于Clique Net網(wǎng)絡(luò)的高光譜影像分類(lèi)方法。該Clique Net網(wǎng)絡(luò)模型通過(guò)跳躍連接機(jī)制實(shí)現(xiàn)不同層之間信息流傳遞的最大化,將來(lái)自高層的視覺(jué)信息帶回來(lái)改進(jìn)低級(jí)濾波器從而實(shí)現(xiàn)空間關(guān)注,選擇性的加強(qiáng)具有重要信息量的特征。該方法采用主成分分析法先對(duì)高光...

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)對(duì)照表
縮略語(yǔ)對(duì)照表
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文的主要研究?jī)?nèi)容
第二章 高光譜影像分類(lèi)方法
    2.1 高光譜圖像的特點(diǎn)
    2.2 高光譜圖像分類(lèi)方法
    2.3 高光譜圖像分類(lèi)方法的性能指標(biāo)
    2.4 高光譜圖像的分類(lèi)數(shù)據(jù)集
第三章 基于Clique Net的高光譜影像分類(lèi)
    3.1 深度神經(jīng)網(wǎng)絡(luò)的殘差路徑和密集連接網(wǎng)絡(luò)
        3.1.1 殘差路徑
        3.1.2 密集連接網(wǎng)絡(luò)
    3.2 Clique Net架構(gòu)
        3.2.1 clique派系塊
        3.2.2 不同階段的特征
    3.3 多尺度特征策略
        3.3.1 注意力轉(zhuǎn)移機(jī)制
        3.3.2 壓縮和瓶頸
    3.4 基于Clique Net的高光譜影像分類(lèi)
    3.5 實(shí)驗(yàn)結(jié)果與分析
        3.5.1 實(shí)驗(yàn)參數(shù)設(shè)置
        3.5.2 實(shí)驗(yàn)結(jié)果與分析
    3.6 本章小結(jié)
第四章 基于特征融合和生成式對(duì)抗網(wǎng)絡(luò)的高光譜影像分類(lèi)
    4.1 生成式對(duì)抗網(wǎng)絡(luò)介紹
        4.1.1 生成式模型
        4.1.2 生成式對(duì)抗網(wǎng)絡(luò)
    4.2 空間信息的特征提取
        4.2.1 擴(kuò)展形態(tài)學(xué)特征(EMP)
        4.2.2 線性多尺度空間特征
        4.2.3 局部不變性特征
    4.3 基于特征融合和生成式對(duì)抗網(wǎng)絡(luò)的高光譜影像分類(lèi)
        4.3.1 生成式對(duì)抗網(wǎng)絡(luò)高光譜影像分類(lèi)
        4.3.2 生成式對(duì)抗網(wǎng)絡(luò)分類(lèi)模型的訓(xùn)練過(guò)程
    4.4 實(shí)驗(yàn)結(jié)果分析
        4.4.1 實(shí)驗(yàn)相關(guān)參數(shù)設(shè)置
        4.4.2 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第五章 基于Decoupled Networks解耦網(wǎng)絡(luò)和主動(dòng)學(xué)習(xí)的高光譜影像分類(lèi)
    5.1 解耦網(wǎng)絡(luò)
        5.1.1 解耦網(wǎng)絡(luò)的介紹
        5.1.2 解耦重構(gòu)卷積
        5.1.3 解耦卷積算子
        5.1.4 解耦算子的屬性
        5.1.5 角度函數(shù)的設(shè)計(jì)
    5.2 主動(dòng)學(xué)習(xí)
    5.3 基于decoupled networks解耦網(wǎng)絡(luò)和主動(dòng)學(xué)習(xí)的高光譜圖像分類(lèi)方法
    5.4 實(shí)驗(yàn)結(jié)果與分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻(xiàn)
致謝
作者簡(jiǎn)介



本文編號(hào)：4045458