基于卷积神经网络的双源遥感数据语义分割的方法研究

发布时间：2020-05-12 08:26

【摘要】：遥感图像的分割是根据一定的相似性准则将图像划分成不同区域的过程,是遥感图像处理领域的基本问题之一。对于遥感图像的场景解析、目标检测和图像3D重构等任务,图像分割都担任了重要的角色。从遥感技术发展到现在,仍然是研究的热点之一,并且被广泛应用于气象预测、地质勘探、森林防火等诸多领域。但是随着遥感技术从低分辨率图像向高分辨率图像发展,传统的遥感图像数据处理方法难以达到处理高分辨率图像的水平,不能充分提取高分辨率图像的信息,因此,亟待出现一种新型的、能够处理高分辨率图像的算法。结合不同遥感图像数据的自身的特点,进行数据间的联合应用,实现不同源数据的优势互补,提高遥感图像数据的信息提取能力。本文从高分辨率遥感数据和其对应的高程数据联合应用出发,运用迁移学习的方法,基于卷积神经网络构建了单源遥感数据的分割模型,在此基础上,又建立基于全卷积网络的双源遥感数据语义分割模型,利用深度神经网络的特征学习和强大的表示能力,更有效地完成了对双源数据的信息处理,达到了进一步提高分割精度的目的。论文的研究内容主要包括一下几个方面:首先,研究了深度学习的发展历程和卷积神经网络的基本理论与应用以及迁移学习的典型模型这三个部分。首先梳理了深度学习的发展历程,其次对于卷积神经网络的基本原理与训练过程进行简要介绍。最后,介绍了迁移学习的基本概念和常用的网络模型。其次,构建了基于卷积神经网络的单源遥感数据的语义分割模型,采用了迁移学习的方法,以模型迁移为基础,实现了三种不同跨层融合的语义分割结构。分别在高分辨率的遥感数据和高程数据进行了语义分割实验,验证了语义分割模型的有效性。最后,探究了基于全卷积网络的双源遥感数据联合语义分割模型。通过对高分辨率数据和高程数据进行特征提取方法,将提取出的特征进行融合重组,得到区分性更强的双源融合特征,构建全卷积的网络模型对双源融合特征进行特征整合,然后送入判决分类器中进行分类,实现了双源遥感数据的联合语义分割,并且得到了优于单源遥感数据的分割结果。
【图文】：

哈尔滨工业大学工学硕士学位论文受影响的，这样就增强了的稳定性，有一定的抗扰动作用和，我们在网络中引入了反卷积层。反卷积层的思想是最早是 在 2010 年提出来的[1]，但是当时还没有正式使用反卷积的 年发表的[2]，反卷积的概念才正式被应用。反卷积又叫做是说，卷积层的前向传播过程就是反卷积层的反向传播过传播过程就是反卷积层的前向传播过程。-2 所示，我们假设方形的特征输入大小 i =4，方形卷积核大，pad 的大小 p =0，经过卷积运算，，通过输入特征与输出特数的映射关系，得到输出方形特征的尺寸大小o=2。映射关21i p kos 表示对x向下取整。

pad 的大小 p =0，经过卷积运算，通过输入特征与输出特数的映射关系，得到输出方形特征的尺寸大小o=2。映射关21i p kos 表示对x向下取整。图 3-2 卷积运算示意图应的反卷积过程如图 3-3 所示。假设方形特征的输入大小大小 k =3，步长 s =1，pad 的大小p =2。
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2018
【分类号】：TP751;TP183

【参考文献】

相关期刊论文 前1条

1 刘松涛;殷福亮;;基于图割的图像分割方法及其新进展[J];自动化学报;2012年06期

本文编号：2659938