在衛(wèi)星遙感和軟硬件技術(shù)的不斷發(fā)展中,遙感影像檢測(cè)中有越來(lái)越多的計(jì)算機(jī)視覺(jué)方法和深度學(xué)習(xí)方法被應(yīng)用。遙感影像與自然影像相比發(fā)展要緩慢得多,因?yàn)檫b感影像的尺寸較大、包含的信息復(fù)雜繁多、對(duì)比度不高、前景和背景易混淆。近年來(lái),人工智能技術(shù)開(kāi)始井噴式發(fā)展,這就給遙感影像的發(fā)展帶來(lái)了希望。Hinton課題組在2012年首次參加了Image Net圖像識(shí)別比賽,他們創(chuàng)造的名為Alex Net[1]的卷積神經(jīng)網(wǎng)絡(luò)在這次比賽中成功取得第一,而且分類(lèi)精度遠(yuǎn)遠(yuǎn)優(yōu)于這次比賽的第二名（SVM[2]方法）,他們成功地證明了深度學(xué)習(xí)在圖像識(shí)別中的潛力。因?yàn)檫@次圖像識(shí)別的大賽,卷積神經(jīng)網(wǎng)絡(luò)正式進(jìn)入到了許多研究人員的視線里,從而開(kāi)始了卷積神經(jīng)網(wǎng)絡(luò)的研究潮流。后來(lái),Girshick等人又在2014年提出了一種圖像檢測(cè)的模型——R CNN[3]（Regions with Convolutional Neural Network Features）,這個(gè)模型成為了深度學(xué)習(xí)在圖像檢測(cè)領(lǐng)域的基礎(chǔ)。在隨后的一年多里,這個(gè)團(tuán)隊(duì)又相機(jī)提出了Fast RCNN[4]和Faster RCNN[5]這兩個(gè)模型,打下了雙階段圖像檢測(cè)的基礎(chǔ),尤... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：75 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

感知機(jī)基本結(jié)構(gòu)

圖 2.2 Sigmoid 函數(shù)圖像Figure 2.2 Sigmoid function image數(shù)的圖像中觀察到，它的輸出在開(kāi)區(qū)間(0，1)內(nèi)，合作為輸出層使用。但是，這個(gè)函數(shù)本身有一定的數(shù)的梯度就會(huì)無(wú)限靠近零點(diǎn)，在反向傳遞中，為了式求導(dǎo)法則。當(dāng)反向傳遞經(jīng)過(guò) Sigmoid 的計(jì)算后，導(dǎo)致梯度消失問(wèn)題。Glorot 的研究表明，使用 Sig遞的過(guò)程中，產(chǎn)生梯度消失的問(wèn)題非常普遍，一般雙曲正切函數(shù)，是非線性激活函數(shù)，在神經(jīng)網(wǎng)絡(luò)中式(2.3)表示：tanh(x) =1 1 +(2.3)

Figure 2.2 Sigmoid function image數(shù)的圖像中觀察到，它的輸出在開(kāi)區(qū)間(0，1)內(nèi)合作為輸出層使用。但是，這個(gè)函數(shù)本身有一定數(shù)的梯度就會(huì)無(wú)限靠近零點(diǎn)，在反向傳遞中，為式求導(dǎo)法則。當(dāng)反向傳遞經(jīng)過(guò) Sigmoid 的計(jì)算后導(dǎo)致梯度消失問(wèn)題。Glorot 的研究表明，使用 S遞的過(guò)程中，產(chǎn)生梯度消失的問(wèn)題非常普遍，一曲正切函數(shù)，是非線性激活函數(shù)，在神經(jīng)網(wǎng)絡(luò)中式(2.3)表示：tanh(x) =1 1 +(2.3)像如圖 2.3 所示。


本文編號(hào)：2965702