遙感圖像中包含的信息非常豐富,能真實地反映地表覆蓋情況,是生態(tài)環(huán)境變化研究、土地資源管理和可持續(xù)發(fā)展的重要基礎(chǔ)。在眾多的應(yīng)用領(lǐng)域當(dāng)中,通過對遙感圖像進(jìn)行分類來獲取地表覆蓋情況是最基本也是最廣泛的應(yīng)用,受到越來越多研究者的關(guān)注。因為傳統(tǒng)“面向像素”和“面向?qū)ο蟆钡姆诸惙椒ㄒ呀?jīng)不能滿足遙感圖像高層語義分類任務(wù)的需要,所以“面向場景”的分類方法逐漸成為遙感圖像分類領(lǐng)域熱門的研究課題。由于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）在自然圖像分類、目標(biāo)檢測等領(lǐng)域取得了巨大成功,把卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用于遙感圖像場景分類也成為近些年來的一個研究熱點(diǎn)。然而卷積神經(jīng)網(wǎng)絡(luò)依然存在一些問題,比如容易產(chǎn)生過擬合、采用基于梯度下降的優(yōu)化算法容易產(chǎn)生局部最優(yōu)解、手動調(diào)節(jié)學(xué)習(xí)率參數(shù)比較耗時等。本文主要研究內(nèi)容如下:（1）針對卷積神經(jīng)網(wǎng)絡(luò)全連接層在訓(xùn)練過程中存在過度訓(xùn)練,導(dǎo)致其泛化性能下降、分類精度不高以及產(chǎn)生過擬合風(fēng)險等問題,本文提出一種改進(jìn)策略,通過降低卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)復(fù)雜度,來緩解模型過擬合的風(fēng)險。去掉卷積神經(jīng)網(wǎng)絡(luò)的全連接層,把卷積神經(jīng)網(wǎng)絡(luò)當(dāng)做特征提取器,把極限學(xué)習(xí)機(jī)（Ex... 

【文章來源】：河北地質(zhì)大學(xué)河北省

【文章頁數(shù)】：67 頁

【學(xué)位級別】：碩士

【部分圖文】：

本文研究內(nèi)容關(guān)系圖

河北地質(zhì)大學(xué)碩士學(xué)位論文7第2章相關(guān)理論概述卷積神經(jīng)網(wǎng)絡(luò)通過局部感受野、權(quán)重共享和降采樣三種策略，降低了網(wǎng)絡(luò)模型的復(fù)雜度，同時對于平移、旋轉(zhuǎn)、尺度縮放等形式的變化具有高度的不變性。卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)在自然圖像分類、目標(biāo)檢測等方面取得了巨大的成功，比傳統(tǒng)機(jī)器學(xué)習(xí)算法性能更加強(qiáng)大。本章對卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)、極限學(xué)習(xí)機(jī)相關(guān)理論、進(jìn)化策略算法相關(guān)理論和梯度下降算法理論進(jìn)行概述。2.1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是在Hubel和Wiesel對貓的視覺皮層上細(xì)胞研究的基礎(chǔ)上，通過模擬生物大腦皮層結(jié)構(gòu)而特殊設(shè)計的含有多隱層的人工神經(jīng)網(wǎng)絡(luò)。卷積層、池化層、激活函數(shù)層是卷積神經(jīng)網(wǎng)絡(luò)的重要組成部分。典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2.1所示，它是Lecun等(1998)提出的應(yīng)用于字符識別的LeNet-5。圖2.1LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)2.1.1神經(jīng)元神經(jīng)元[37]是神經(jīng)網(wǎng)絡(luò)中的基本處理單元，其結(jié)構(gòu)通常是有多個輸入和一個輸出，如下圖2.2所示。圖2.2神經(jīng)元結(jié)構(gòu)圖

河北地質(zhì)大學(xué)碩士學(xué)位論文7第2章相關(guān)理論概述卷積神經(jīng)網(wǎng)絡(luò)通過局部感受野、權(quán)重共享和降采樣三種策略，降低了網(wǎng)絡(luò)模型的復(fù)雜度，同時對于平移、旋轉(zhuǎn)、尺度縮放等形式的變化具有高度的不變性。卷積神經(jīng)網(wǎng)絡(luò)已經(jīng)在自然圖像分類、目標(biāo)檢測等方面取得了巨大的成功，比傳統(tǒng)機(jī)器學(xué)習(xí)算法性能更加強(qiáng)大。本章對卷積神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)、極限學(xué)習(xí)機(jī)相關(guān)理論、進(jìn)化策略算法相關(guān)理論和梯度下降算法理論進(jìn)行概述。2.1卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)是在Hubel和Wiesel對貓的視覺皮層上細(xì)胞研究的基礎(chǔ)上，通過模擬生物大腦皮層結(jié)構(gòu)而特殊設(shè)計的含有多隱層的人工神經(jīng)網(wǎng)絡(luò)。卷積層、池化層、激活函數(shù)層是卷積神經(jīng)網(wǎng)絡(luò)的重要組成部分。典型的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2.1所示，它是Lecun等(1998)提出的應(yīng)用于字符識別的LeNet-5。圖2.1LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)2.1.1神經(jīng)元神經(jīng)元[37]是神經(jīng)網(wǎng)絡(luò)中的基本處理單元，其結(jié)構(gòu)通常是有多個輸入和一個輸出，如下圖2.2所示。圖2.2神經(jīng)元結(jié)構(gòu)圖

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像場景分類[J]. 孟慶祥,吳玄.  測繪通報. 2019(07)
[2]基于CNN模型的遙感圖像復(fù)雜場景分類[J]. 張康,黑保琴,李盛陽,邵雨陽.  國土資源遙感. 2018(04)
[3]基于密集卷積網(wǎng)絡(luò)（DenseNets）的遙感圖像分類研究[J]. 李達(dá),李琳,李想.  計算機(jī)時代. 2018(10)
[4]基于集成卷積神經(jīng)網(wǎng)絡(luò)的遙感影像場景分類[J]. 張曉男,鐘興,朱瑞飛,高放,張作省,鮑松澤,李竺強(qiáng).  光學(xué)學(xué)報. 2018(11)
[5]基于深度學(xué)習(xí)AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學(xué)學(xué)報. 2017(11)
[6]基于PSO的CNN算法的改進(jìn)[J]. 裴子龍,邢進(jìn)生.  山西師范大學(xué)學(xué)報(自然科學(xué)版). 2017(02)
[7]一種卷積神經(jīng)網(wǎng)絡(luò)和極限學(xué)習(xí)機(jī)相結(jié)合的人臉識別方法[J]. 余丹,吳小俊.  數(shù)據(jù)采集與處理. 2016(05)
[8]深度學(xué)習(xí)的昨天、今天和明天[J]. 余凱,賈磊,陳雨強(qiáng),徐偉.  計算機(jī)研究與發(fā)展. 2013(09)

博士論文
[1]高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D]. 黃昕.武漢大學(xué) 2009

碩士論文
[1]基于深度學(xué)習(xí)的遙感圖像場景分類研究[D]. 柳潛.北京郵電大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類的研究[D]. 劉雨桐.湘潭大學(xué) 2018



本文編號：3517616