發(fā)布時(shí)間：2023-01-28 11:04

　　高分辨率遙感影像是諸多遙感影像數(shù)據(jù)類(lèi)型中的一種,根據(jù)拍攝高度不同,又分為航天和航空遙感影像。它具有地物幾何與屬性細(xì)節(jié)信息豐富、目視效果直觀等特點(diǎn),在軍事、民用等領(lǐng)域具有廣泛應(yīng)用。在環(huán)境評(píng)價(jià)、災(zāi)害評(píng)估、林業(yè)測(cè)量、精細(xì)農(nóng)業(yè)、城市規(guī)劃、地圖的生產(chǎn)與更新、變化檢測(cè)和軍事目標(biāo)識(shí)別等應(yīng)用中,需要對(duì)高分辨率遙感影像利用視覺(jué)識(shí)別的方法進(jìn)行場(chǎng)景解析。語(yǔ)義分割是其中一種解析圖像場(chǎng)景的方法,它通過(guò)為圖像的每一個(gè)像素標(biāo)注語(yǔ)義的標(biāo)簽,能夠同時(shí)完成圖像像素分類(lèi)和圖像目標(biāo)分割兩個(gè)過(guò)程。由于高分辨率遙感影像上存在“同物異譜”與“異物同譜”等固有現(xiàn)象,這是運(yùn)用傳統(tǒng)方法進(jìn)行語(yǔ)義分割時(shí)精度較低的主要原因。最近幾年,圖像語(yǔ)義分割主要是通過(guò)深度學(xué)習(xí)的方式來(lái)實(shí)現(xiàn),然而深度學(xué)習(xí)在高分辨率遙感影像中的研究與應(yīng)用并不多。因此本論文基于深度學(xué)習(xí)的相關(guān)算法,深入研究了高分辨率遙感影像的語(yǔ)義分割,主要完成工作如下:（1）建立高分辨率遙感影像語(yǔ)義分割數(shù)據(jù)集:針對(duì)時(shí)序變化圖像語(yǔ)義分割任務(wù),本文自建了擁有新增建筑物作為語(yǔ)義標(biāo)簽的遙感影像語(yǔ)義分割數(shù)據(jù)集。同時(shí)詳細(xì)介紹了建立遙感影像數(shù)據(jù)集的相關(guān)過(guò)程,包括數(shù)據(jù)集采集、人工標(biāo)注、圖像預(yù)處理、數(shù)據(jù)集劃分四個(gè)... 

【文章頁(yè)數(shù)】：86 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 深度學(xué)習(xí)的研究現(xiàn)狀
        1.2.2 傳統(tǒng)圖像分割的研究現(xiàn)狀
        1.2.3 圖像語(yǔ)義分割的研究現(xiàn)狀
        1.2.4 基于時(shí)序變化圖像語(yǔ)義分割的研究現(xiàn)狀
    1.3 研究?jī)?nèi)容與章節(jié)安排
        1.3.1 研究?jī)?nèi)容
        1.3.2 章節(jié)安排
第二章 基礎(chǔ)理論與相關(guān)技術(shù)
    2.1 引言
    2.2 卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)
        2.2.1 卷積層
        2.2.2 池化層
        2.2.3 激活層
        2.2.4 全連接層
        2.2.5 Dropout層
        2.2.6 批標(biāo)準(zhǔn)化層
        2.2.7 損失層
    2.3 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方法
        2.3.1 前向傳播過(guò)程
        2.3.2 反向傳播過(guò)程
        2.3.3 優(yōu)化方法
    2.4 典型的卷積神經(jīng)網(wǎng)絡(luò)模型
        2.4.1 VGGNet
        2.4.2 GoogLeNet
        2.4.3 ResNet
    2.5 本章小結(jié)
第三章 建立高分辨率遙感影像語(yǔ)義分割數(shù)據(jù)集
    3.1 引言
    3.2 高分辨率遙感影像數(shù)據(jù)集
        3.2.1 城市遙感影像數(shù)據(jù)集
        3.2.2 遙感影像道路提取數(shù)據(jù)集
    3.3 建立時(shí)序變化建筑物提取數(shù)據(jù)集
        3.3.1 數(shù)據(jù)集采集
        3.3.2 人工標(biāo)注
        3.3.3 數(shù)據(jù)預(yù)處理
        3.3.4 數(shù)據(jù)集劃分和統(tǒng)計(jì)
    3.4 數(shù)據(jù)增廣
    3.5 本章小結(jié)
第四章 基于DenseNet的特征金字塔語(yǔ)義分割網(wǎng)絡(luò)
    4.1 引言
    4.2 全卷積神經(jīng)網(wǎng)絡(luò)剖析(FCN)
    4.3 基于DenseNet的特征金字塔語(yǔ)義分割網(wǎng)絡(luò)的設(shè)計(jì)(DenseFPN)
        4.3.1 特征提取模塊
        4.3.2 特征金字塔融合模塊
        4.3.3 遷移學(xué)習(xí)
    4.4 實(shí)驗(yàn)及結(jié)果分析
        4.4.1 實(shí)驗(yàn)環(huán)境
        4.4.2 評(píng)價(jià)指標(biāo)
        4.4.3 實(shí)驗(yàn)參數(shù)設(shè)置
        4.4.4 實(shí)驗(yàn)過(guò)程和結(jié)果分析
    4.5 本章小結(jié)
第五章 端到端的時(shí)序變化圖像語(yǔ)義分割網(wǎng)絡(luò)
    5.1 引言
    5.2 相關(guān)網(wǎng)絡(luò)結(jié)構(gòu)介紹
        5.2.1 擴(kuò)張卷積
        5.2.2 多孔空間金字塔池化
        5.2.3 轉(zhuǎn)置卷積
        5.2.4 編解碼網(wǎng)絡(luò)結(jié)構(gòu)Unet
    5.3 端到端的時(shí)序變化圖像語(yǔ)義分割網(wǎng)絡(luò)的設(shè)計(jì)(DAUnet)
        5.3.1 編碼過(guò)程
        5.3.2 多尺度特征融合過(guò)程
        5.3.3 解碼過(guò)程
    5.4 實(shí)驗(yàn)和結(jié)果分析
        5.4.1 評(píng)價(jià)指標(biāo)和實(shí)驗(yàn)參數(shù)設(shè)置
        5.4.2 實(shí)驗(yàn)過(guò)程和結(jié)果分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 本文工作總結(jié)
    6.2 未來(lái)工作展望
參考文獻(xiàn)
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于顏色聚類(lèi)分割及改進(jìn)的FMM算法的壁畫(huà)修復(fù)[J]. 任小康,鄧琳凱.  計(jì)算機(jī)工程與科學(xué). 2014(02)
[2]基于灰度空間特征的模糊C均值聚類(lèi)圖像分割[J]. 李云松,李明.  計(jì)算機(jī)工程與設(shè)計(jì). 2007(06)

博士論文
[1]基于深度學(xué)習(xí)的紅外圖像語(yǔ)義分割技術(shù)研究[D]. 王晨.中國(guó)科學(xué)院大學(xué)(中國(guó)科學(xué)院上海技術(shù)物理研究所) 2017

碩士論文
[1]基于3維全卷積DenseNet的MRI腦膠質(zhì)瘤多區(qū)域分割算法研究[D]. 黃奕暉.南方醫(yī)科大學(xué) 2018
[2]基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法[D]. 張建.電子科技大學(xué) 2018
[3]基于深度學(xué)習(xí)的圖像語(yǔ)義分割方法研究與實(shí)現(xiàn)[D]. 張學(xué)鵬.電子科技大學(xué) 2018



本文編號(hào)：3732521