隨著航天航空技術(shù)的高速發(fā)展,當(dāng)前對地觀測系統(tǒng)獲取空間數(shù)據(jù)的能力和質(zhì)量不斷提高,衛(wèi)星遙感技術(shù)已經(jīng)邁入亞米級時代。高分辨率遙感影像包含更加復(fù)雜的形狀、紋理、結(jié)構(gòu)和空間信息,因此人們獲取高精度的遙感影像的同時,對解譯精度又有了更高的要求。作為遙感圖像處理的一個重要部分,高分辨率遙感影像變化檢測在環(huán)境監(jiān)測、地理數(shù)據(jù)庫更新、災(zāi)害救援及城市規(guī)劃等領(lǐng)域有著重要應(yīng)用。近年來,深度學(xué)習(xí)憑借其優(yōu)異的回歸性能被廣泛的應(yīng)用到各個領(lǐng)域,它突破了傳統(tǒng)算法的約束,具有很強的泛化能力。將深度學(xué)習(xí)理論應(yīng)用到高分辨率遙感影像變化檢測是遙感圖像處理的研究熱點。本文首先指出了高分辨率遙感影像變化檢測課題的研究背景和意義,并對當(dāng)前國內(nèi)外研究現(xiàn)狀進行闡述,分析了本課題的研究基礎(chǔ)——卷積神經(jīng)網(wǎng)絡(luò),并將卷積神經(jīng)網(wǎng)絡(luò)語義分割的思想引入遙感影像的變化檢測中。根據(jù)ASPP提取不同感受野上下文信息的特點,結(jié)合Inception結(jié)構(gòu)的多尺度特征提取融合的優(yōu)勢,將ASPP和Inception結(jié)構(gòu)融入到Unet網(wǎng)絡(luò)模型中,提出了ASPP Inception-Unet。該模型將Unet編碼路徑中每級的第一個卷積層替換為Inception結(jié)構(gòu),加強了... 

【文章來源】：吉林大學(xué)吉林省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【部分圖文】：

局部感知結(jié)構(gòu)圖

第2章理論基礎(chǔ)10圖2.1局部感知結(jié)構(gòu)圖3)池化池化的主要作用是過濾掉一些不重要的高頻信息，在CNN卷積操作提取特征時，會產(chǎn)生較大的數(shù)據(jù)量，無法適用于海量數(shù)據(jù)的計算，池化的目的是縮減圖像的大小，將圖像一定大小區(qū)域的相鄰像元用一個具有代表性的值代替。相鄰像素通常從方形矩陣中選擇，并且依據(jù)問題的不同，所合并在一起的像素的數(shù)目也不同，輸出值通常為所選像素的平均取值或者最大取值。圖2.2所示，是使用平均池化和最大池化方法進行池化的結(jié)果，在不重疊操作元素的情況下，現(xiàn)在將輸入圖像的像素合并成2×2的矩陣，在輸入圖像經(jīng)過池化操作后，就被縮減為2×2像素的圖像。圖2.2池化操作示意圖4）多重結(jié)構(gòu)為了克服傳統(tǒng)神經(jīng)網(wǎng)絡(luò)單層結(jié)構(gòu)在特征提取方面的局限性，CNN演進為多層結(jié)構(gòu)。CNN能夠以自動的方式進行特征學(xué)習(xí)主要是因為它具有的深度的多層的非線性變換結(jié)構(gòu)，每多一層就可以進一步提取圖像的特征，一定程度避免了特征提取的單一化效應(yīng)，使得CNN模型學(xué)習(xí)到的特征更具全局化，提高模型對目標(biāo)識別的泛化能力。

第2章理論基礎(chǔ)11圖2.3多重結(jié)構(gòu).2.3卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與特點CNN是一種多層的人工神經(jīng)網(wǎng)絡(luò)，主要的結(jié)構(gòu)包括輸入層、卷積層、池化層、激活函數(shù)和全連接層[43]。2.3.1輸入層輸入層的作用是將待識別或者待訓(xùn)練的圖像讀取到CNN中，通常彩色圖像為3層相互疊加的2維矩陣組成，灰度圖像為1層的2維矩陣組成。在使用CNN進行圖像學(xué)習(xí)特征時，輸入為進行過歸一化的圖片數(shù)據(jù)，一張行數(shù)a，列數(shù)b，通道數(shù)c的圖片，表示為a*b*c。常規(guī)彩色圖像是由RGB三個分量構(gòu)成，它的通道數(shù)為3。從計算機的識別數(shù)字圖像角度出發(fā)，a*b*c的圖片即為c個a*b的矩陣的依次疊加。


本文編號：3401316