高分辨率遙感圖像因具備識別地物能力強(qiáng)的特點,廣泛地應(yīng)用于測繪、環(huán)境和生態(tài)等各個領(lǐng)域。隨著高分辨率遙感圖像數(shù)量的日益增多,從遙感數(shù)據(jù)集中快速有效地檢索出感興趣的圖像或目標(biāo)成為遙感圖像領(lǐng)域的重要研究方向。高分辨率遙感圖像內(nèi)容復(fù)雜,細(xì)節(jié)信息豐富,提高其檢索性能的關(guān)鍵是提取有效特征來準(zhǔn)確表達(dá)圖像的內(nèi)容。卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）能夠自動學(xué)習(xí)圖像的特征,并適用于處理內(nèi)容復(fù)雜的高分辨率遙感圖像。但是由于目前公開的高分辨率遙感數(shù)據(jù)集規(guī)模偏小,并且難以設(shè)置準(zhǔn)確的標(biāo)簽來描述圖像的復(fù)雜內(nèi)容,導(dǎo)致CNN的參數(shù)得不到充分訓(xùn)練,進(jìn)而影響檢索性能。本文結(jié)合CNN良好的遷移學(xué)習(xí)能力,研究將大規(guī)模數(shù)據(jù)集上預(yù)訓(xùn)練的CNN遷移到高分辨率遙感圖像檢索,并針對不同尺寸的輸入圖像,從特征融合、池化、編碼、降維以及微調(diào)等多個方面來改進(jìn)提取的遷移特征,從而提高圖像的檢索性能。主要研究工作如下:（1）研究從預(yù)訓(xùn)練的CNN中提取不同層次的遷移特征用于高分辨率遙感圖像檢索。將多種預(yù)訓(xùn)練的CNN的參數(shù)遷移到高分辨率遙感圖像中,提取全連接層特征和卷積層特征用于圖像檢索。實驗結(jié)果表明,與手... 

【文章來源】：南昌大學(xué)江西省 211工程院校

【文章頁數(shù)】：141 頁

【學(xué)位級別】：博士

【部分圖文】：

高分辨率遙感圖像示例

第 1 章 緒論區(qū)別較大。但在高分辨率遙感圖像中，從直觀上比較，建筑物、稠密居等稠密居住區(qū)這三類圖像并沒有很明顯的分類界限，稠密居住區(qū)和中住區(qū)這兩類居住區(qū)圖像也難以區(qū)分稠密程度，并不具備明顯的代表性 年之前公開的高分辨率遙感數(shù)據(jù)集都在 5000 幅以內(nèi)，直到 2017 年，相對較大的高分辨率遙感數(shù)據(jù)集才被提出，分別是 NWPU-RESISC45[5 類圖像，每類 700 幅）和 PatternNet[11]（包含 38 類圖像，每類 800，這種規(guī)模的數(shù)據(jù)集相對于 ImageNet 數(shù)據(jù)集來說還是遠(yuǎn)遠(yuǎn)偏小，難以 CNN 的參數(shù)。

第 1 章 緒論第五章，基于區(qū)域的級聯(lián)池化方法用于遙感圖像檢索。在使用較小池化區(qū)基礎(chǔ)上，提出了一種級聯(lián)池化的方法，該方法有效地結(jié)合了最大池化和均值的優(yōu)點，從而提取出區(qū)分度更好的特征。并對預(yù)訓(xùn)練的 CNN 進(jìn)行微調(diào)，使訓(xùn)練的 CNN 更適用于高分辨率遙感圖像。本章是針對卷積層特征進(jìn)行改進(jìn)是在第四章研究的基礎(chǔ)上進(jìn)一步的深入研究。

【參考文獻(xiàn)】：
期刊論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感圖像檢索[J]. 李宇,劉雪瑩,張洪群,李湘眷,孫曉瑤.  光學(xué)精密工程. 2018(01)
[2]基于遷移學(xué)習(xí)的紅外圖像超分辨率方法研究[J]. 孫超,呂俊偉,劉峰,周仁來.  激光與紅外. 2017(12)
[3]基于遷移學(xué)習(xí)和深度卷積神經(jīng)網(wǎng)絡(luò)的乳腺腫瘤診斷系統(tǒng)[J]. 褚晶輝,吳澤蕤,呂衛(wèi),李喆.  激光與光電子學(xué)進(jìn)展. 2018(08)
[4]基于深度遷移學(xué)習(xí)的煙霧識別方法[J]. 王文朋,毛文濤,何建樑,竇智.  計算機(jī)應(yīng)用. 2017(11)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的手勢動作雷達(dá)識別方法[J]. 王俊,鄭彤,雷鵬,張原,樵明朗.  北京航空航天大學(xué)學(xué)報. 2018(06)
[6]深度卷積神經(jīng)網(wǎng)絡(luò)特征提取用于地表覆蓋分類初探[J]. 張偉,鄭柯,唐娉,趙理君.  中國圖象圖形學(xué)報. 2017(08)
[7]一種具有雙層信息損失優(yōu)化結(jié)構(gòu)的遙感圖像檢索方法[J]. 彭晏飛,張維,訾玲玲,唐曉亮.  計算機(jī)應(yīng)用研究. 2018(06)
[8]深度學(xué)習(xí)的半監(jiān)督遙感圖像檢索[J]. 張洪群,劉雪瑩,楊森,李宇.  遙感學(xué)報. 2017(03)
[9]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機(jī)應(yīng)用. 2016(09)
[10]基于遺傳算法和SVM的遙感圖像檢索[J]. 彭晏飛,李佳.  小型微型計算機(jī)系統(tǒng). 2016(04)

博士論文
[1]基于遷移學(xué)習(xí)與深度卷積特征的圖像標(biāo)注方法研究[D]. 宋光慧.浙江大學(xué) 2017
[2]缺少控制點的高分辨率衛(wèi)星遙感影像幾何糾正[D]. 張過.武漢大學(xué) 2005

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的語音識別研究[D]. 梅俊杰.北京交通大學(xué) 2017
[2]基于深度局部特征的圖像表示方法研究[D]. 陳仕江.清華大學(xué) 2016
[3]基于隱馬爾可夫樹模型與旋轉(zhuǎn)不變性的遙感圖像紋理檢索方法研究[D]. 苗聰聰.中國礦業(yè)大學(xué) 2015
[4]基于感知哈希的遙感圖像檢索方法研究[D]. 郭瑋.華中科技大學(xué) 2015
[5]全局與局部特征相結(jié)合的遙感影像檢索方法研究[D]. 劉實.國防科學(xué)技術(shù)大學(xué) 2010



本文編號：3608890