高分辨率遙感影像包含豐富的地物信息,為其后續(xù)解譯打下了良好的數(shù)據(jù)基礎(chǔ),其中道路提取是高分辨遙感影像處理中的一個(gè)重要研究?jī)?nèi)容,在許多領(lǐng)域與場(chǎng)景中有不可替代的作用。而傳統(tǒng)的道路提取方法無(wú)法準(zhǔn)確提取圖像中有判別性的信息,導(dǎo)致傳統(tǒng)方法道路提取結(jié)果不準(zhǔn)確且自動(dòng)化與智能化程度偏低。而基于深度學(xué)習(xí)的主流方法雖然在提取結(jié)果上有所提升,但無(wú)法很好的處理遙感影像處理中的小樣本問(wèn)題,需要大量的數(shù)據(jù)增強(qiáng)與預(yù)處理和后處理操作,增加了計(jì)算與儲(chǔ)存資源的消耗。針對(duì)上述問(wèn)題,本文基于深度學(xué)習(xí)中的生成對(duì)抗網(wǎng)提出了基于語(yǔ)義嵌入生成對(duì)抗網(wǎng)的道路提取方法,提高了小樣本情況下道路提取的性能;提出了基于弱監(jiān)督多尺度語(yǔ)義嵌入生成對(duì)抗網(wǎng)的高分辨遙感影像多等級(jí)道路提取方法,提高了對(duì)路寬差異較大的道路提取性能,同時(shí)進(jìn)一步緩解了由于小樣本問(wèn)題對(duì)模型效果的限制;提出了基于生成對(duì)抗網(wǎng)的遙感影像道路去遮擋方法,避免了由于遙感影像中經(jīng)常出現(xiàn)的遮擋問(wèn)題而對(duì)道路提取結(jié)果帶來(lái)的負(fù)面影響,增強(qiáng)了模型在實(shí)際應(yīng)用中的魯棒性。本文的主要工作總結(jié)如下:1.提出了一種基于語(yǔ)義嵌入生成對(duì)抗網(wǎng)絡(luò)的遙感影像道路提取方法,該方法將道路提取任務(wù)看作是一種特殊的圖像翻譯任務(wù),利用生成對(duì)抗網(wǎng)由遙感圖像直接生成道路類標(biāo)圖,同時(shí)損失函數(shù)在使用生成對(duì)抗網(wǎng)損失的基礎(chǔ)上添加語(yǔ)義嵌入損失,在細(xì)節(jié)上進(jìn)一步約束生成圖像的質(zhì)量。該方法是一個(gè)完全端到端的道路提取框架,在遙感影像小樣本的條件下也能取得優(yōu)異的性能。2.提出了一種基于弱監(jiān)督多尺度語(yǔ)義嵌入生成對(duì)抗網(wǎng)的多等級(jí)道路提取方法,通過(guò)使用多通道生成網(wǎng)絡(luò)模型對(duì)遙感影像中的多尺度道路進(jìn)行準(zhǔn)確提取,同時(shí)降低了模型參數(shù)量;利用漸進(jìn)式生成網(wǎng)絡(luò)生成更多的高分辨遙感影像樣本結(jié)合弱監(jiān)督策略為深度網(wǎng)絡(luò)的訓(xùn)練提供了更多的有標(biāo)注樣本,一定程度上緩解了小樣本問(wèn)題帶來(lái)的模型性能下降。3.提出了一種基于生成對(duì)抗網(wǎng)的遙感影像道路去遮擋方法,該方法摒棄了傳統(tǒng)遙感影像去云霧的思想,使用生成網(wǎng)絡(luò)直接生成遮擋區(qū)域的信息從而進(jìn)行補(bǔ)全,可以在沒(méi)有遮擋位置先驗(yàn)知識(shí)的情況下較好的修復(fù)缺失信息,應(yīng)用范圍更加廣泛。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2019
【中圖分類】：TP751;TP183;U491
【部分圖文】：

第一章 緒論迎來(lái)了蓬勃發(fā)展，大量改進(jìn)模型如雨后春筍一般層出不窮，如全卷積神經(jīng)網(wǎng)絡(luò)ullyConvolutionalNetwork，F(xiàn)CN）[2]、深度殘差神經(jīng)網(wǎng)絡(luò)（DeepResidualNetwork，sNet）[3]、遞歸神經(jīng)網(wǎng)絡(luò)（Recurrent Neural Network，RNN）[4]、長(zhǎng)短時(shí)記憶網(wǎng)絡(luò)ongShortTimeMemory，LSTM）[5]、生成對(duì)抗網(wǎng)（GenerativeAdversarialNet，GAN），且深度學(xué)習(xí)所涉及的領(lǐng)域也越來(lái)越廣泛，從圖像到文本與音頻、從自動(dòng)駕駛到航天，越來(lái)越多的行業(yè)中都出現(xiàn)了深度學(xué)習(xí)的身影，加之 GPU 技術(shù)的快速發(fā)展，多層數(shù)的神經(jīng)網(wǎng)絡(luò)與更大規(guī)模的數(shù)據(jù)處理提供了運(yùn)算速度的保障。學(xué)術(shù)界和工業(yè)飽滿的熱情將大量的資源投入在了深度學(xué)習(xí)的研究之中，而深度學(xué)習(xí)的理論與模正以前所未有的速度蓬勃發(fā)展。

西安電子科技大學(xué)碩士學(xué)位論文基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像道路提取將道路提取任務(wù)看作是一個(gè)像素級(jí)二分類（道路、背景）的任務(wù)，不同于對(duì)整張輸入圖像的分類，我們需要將輸入遙感圖像中的每一個(gè)像素點(diǎn)進(jìn)行分類。因此，基于卷積神經(jīng)網(wǎng)絡(luò)的道路提取通常會(huì)在輸入圖像上依次取T × T（一般T 取奇數(shù)）的臨域滑窗，將其送入卷積神經(jīng)網(wǎng)絡(luò)中進(jìn)行分類[42][43]，輸出中心像元或者中心N × N（ N < T）的類別，滑窗步長(zhǎng)取1（只輸出中心像元類別時(shí)）或 N （輸出中心 N × N類別時(shí)）。當(dāng)滑窗遍歷這個(gè)圖像后，我們將多個(gè)輸出一次拼接即可的到整個(gè)輸入圖像的像素級(jí)分類圖，其過(guò)程如圖 2.2 所示。

西安電子科技大學(xué)碩士學(xué)位論文通道彩色圖像）到道路與背景的類標(biāo)圖（單通道二值圖像）是從一個(gè)域到另一個(gè)域的轉(zhuǎn)換，如圖 1-1；2）遙感圖像與二值類標(biāo)圖直接有強(qiáng)相關(guān)的約束（如圖 1-1，二值圖中白色部分對(duì)應(yīng)遙感圖像中的道路，黑色部分對(duì)應(yīng)非道路），即兩者之間的映射是唯一的。因此，遙感影像中的道路提取任務(wù)完全可以被當(dāng)作圖像翻譯的一種特殊形式來(lái)處理，基于這種思想，結(jié)合生成對(duì)抗網(wǎng)的相關(guān)理論，提出如圖 3.1 所示框架來(lái)進(jìn)行端到端的道路提取任務(wù)。

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 袁如金;張敏;李世偉;;基于華浩超算平臺(tái)遙感影像幾何校正研究——以資源一號(hào)02C數(shù)據(jù)為例[J];測(cè)繪與空間地理信息;2017年01期

2 馬慧云;吳曉京;趙國(guó)慶;姜丙波;;遙感影像反演的霧參數(shù)地區(qū)差異性分析[J];遙感信息;2017年03期

3 雒培磊;李國(guó)慶;曾怡;;一種改進(jìn)的基于深度學(xué)習(xí)的遙感影像拼接方法[J];計(jì)算機(jī)工程與應(yīng)用;2017年20期

4 鄢詠折;范曉燕;;遙感影像變化監(jiān)測(cè)方法簡(jiǎn)述[J];城市建設(shè)理論研究(電子版);2017年22期

5 蔡紅s

本文編號(hào)：2809449