發(fā)布時(shí)間：2021-04-27 12:41

　　在將深度學(xué)習(xí)應(yīng)用于遙感艦船識(shí)別任務(wù)中時(shí),通常需要大量訓(xùn)練集數(shù)據(jù)對(duì)深層神經(jīng)網(wǎng)絡(luò)參數(shù)進(jìn)行調(diào)節(jié),但由于遙感艦船影像的獲取通常需要消耗大量人力物力,因此,如何針對(duì)遙感艦船影像小樣本目標(biāo)進(jìn)行識(shí)別成為難點(diǎn)問(wèn)題之一。而在遙感影像小樣本目標(biāo)識(shí)別任務(wù)中,如何解決天氣場(chǎng)景覆蓋面不足的問(wèn)題是關(guān)鍵。其次,小樣本目標(biāo)識(shí)別大多采用度量學(xué)習(xí)算法,相較于一般深度學(xué)習(xí)方法,解決了小樣本與高緯度之間的問(wèn)題,但識(shí)別速度也有所降低。因此,本文針對(duì)上述問(wèn)題展開(kāi)研究,主要研究?jī)?nèi)容如下:（1）針對(duì)訓(xùn)練樣本不足導(dǎo)致的遙感艦船影像場(chǎng)景覆蓋不全問(wèn)題,本文提出通過(guò)圖像風(fēng)格遷移（Image style transfer）方法,將訓(xùn)練集與支持集在不同天氣場(chǎng)景上進(jìn)行擴(kuò)充,并對(duì)關(guān)系網(wǎng)絡(luò)重新訓(xùn)練,以優(yōu)化網(wǎng)絡(luò)參數(shù)。實(shí)驗(yàn)證明,使用了風(fēng)格遷移的關(guān)系網(wǎng)絡(luò)較原關(guān)系網(wǎng)絡(luò)在識(shí)別精度上提高了15%左右,但由于使用風(fēng)格遷移對(duì)支持集進(jìn)行了擴(kuò)增,導(dǎo)致識(shí)別速度變慢。為解決速度變慢問(wèn)題,本文將每類遙感艦船支持集圖像的高維特征向量,使用K-means算法提取聚類中心,將提取后的高維特征向量聚類中心與測(cè)試集圖像高維特征向量進(jìn)行度量學(xué)習(xí),大幅減少網(wǎng)絡(luò)計(jì)算量,保證了識(shí)別速度。最后通... 

【文章來(lái)源】：杭州電子科技大學(xué)浙江省

【文章頁(yè)數(shù)】：79 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景和意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)目標(biāo)識(shí)別方法
        1.2.2 基于深度學(xué)習(xí)的目標(biāo)識(shí)別
        1.2.3 小樣本目標(biāo)識(shí)別
        1.2.4 本章小結(jié)
    1.3 本文研究?jī)?nèi)容及章節(jié)安排
第2章 小樣本目標(biāo)識(shí)別相關(guān)原理及典型算法實(shí)現(xiàn)
    2.1 引言
    2.2 遙感影像成像原理介紹
    2.3 CNN卷積神經(jīng)網(wǎng)絡(luò)原理介紹
    2.4 典型小樣本目標(biāo)識(shí)別算法原理及實(shí)現(xiàn)
        2.4.1 基于度量學(xué)習(xí)的小樣本識(shí)別方法原理介紹
        2.4.2 基于元學(xué)習(xí)的小樣本識(shí)別方法原理介紹
    2.5 小樣本目標(biāo)識(shí)別典型方法實(shí)現(xiàn)及結(jié)果分析
        2.5.1 實(shí)驗(yàn)數(shù)據(jù)集介紹
        2.5.2 實(shí)驗(yàn)結(jié)果及分析
    2.6 本章小結(jié)
第3章 基于關(guān)系網(wǎng)絡(luò)的遙感艦船影像小樣本識(shí)別方法
    3.1 引言
    3.2 遙感艦船影像小樣本目標(biāo)識(shí)別整體方案
        3.2.1 遙感艦船影像小樣本天氣場(chǎng)景風(fēng)格遷移
        3.2.2 支持集高維特征向量聚類中心提取
        3.2.3 網(wǎng)絡(luò)整體結(jié)構(gòu)設(shè)計(jì)
    3.3 實(shí)驗(yàn)及結(jié)果分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集
        3.3.2 實(shí)驗(yàn)步驟
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
第4章 多類別遙感艦船小樣本目標(biāo)識(shí)別方法及平臺(tái)實(shí)現(xiàn)
    4.1 引言
    4.2 多類別遙感艦船小樣本目標(biāo)識(shí)別方法總體結(jié)構(gòu)設(shè)計(jì)
        4.2.1 分塊策略
        4.2.2 目標(biāo)類別融合算法
    4.3 實(shí)驗(yàn)及結(jié)果分析
    4.4 遙感艦船影像小樣本目標(biāo)識(shí)別原型平臺(tái)
        4.4.1 原型平臺(tái)功能介紹
        4.4.2 原型平臺(tái)具體使用方法
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
附錄1
附錄2


【參考文獻(xiàn)】：
博士論文
[1]融合全局和局部信息的度量學(xué)習(xí)方法研究[D]. 王微.中國(guó)科學(xué)技術(shù)大學(xué) 2014



本文編號(hào)：3163487