深度迁移学习在高光谱图像分类中的应用
【学位单位】:浙江工业大学
【学位级别】:硕士
【学位年份】:2019
【中图分类】:TP751;TP183
【部分图文】:
浙江工业大学硕士学位论文5图2-1 卷积操作示意图当感受野中出现与卷积核代表的特征一致时,卷积操作后输出到特征图的值也就越大,即代表该区域符合卷积核中的特征。卷积层中每个卷积核都代表某一种特征,当卷积核个数增多时,特征图的空间维度也随之增加,从而使下一层的特征组合更加复杂。随着向后传播算法对网络进行优化,网络将学习到与数据集中样本特征空间相对应的卷积核参数。2.2.2 卷积神经网络中常用激活函数原始数据经过卷积层后得到特征图,特征图通过激活函数进行非线性转换,激活函数是指非线性函数,进行非线性转换的目的是为之前的线性操作引入非线性特征。连续可导的函数都能作为激活函数。目前常见的激活函数一般为具有指数形态的非线性函数,例如Sigmoid 函数[20]、Tanh 函数[21]、ReLU 函数[22]。假设一个卷积神经网络中只存在卷积层和全连接层
图2-2 Sigmoid函数图形要的性质为其软饱和性,这一性质使得深度神经,从而成为阻碍神经网络发展一个重要原因。具 函数在进行梯度传递时包含了一个'f ( x )因子,Si x )就会接近于 0,导致向底层传递的梯度因为连乘训练,这一问题在深度学习领域被称为梯度消失问有利的一面:Sigmoid 函数在物理意义上最为接近的输出为(0,1)之间的值,所以可对输入进行归一数的应用。函数中的一个,Tanh 函数又被称为双曲正切。在中的双曲正弦和双曲余弦推导而来,其正式定义221tanh( )1xxexe
图2-3 Tanh函数图形推出:tanh( x ) 2 sigmoid (2 x ) 1具有软饱和性,从图 2-3 中也可看出,Tanh 函数和数将输出映射为(-1,1)之间。Tanh 函数在深层网络,因为其输出均值相对于 Sigmoid 函数更接近于零梯度。Tanh 函数依旧无法避免梯度消失问题,为解决经网络中,它是目前深度学习领域普遍使用的激活
【相似文献】
相关期刊论文 前10条
1 王斌;;基于高光谱图像技术的水果表面农药残留检测观察[J];种子科技;2017年04期
2 陈绫钢;吕靖芳;;高光谱图像技术在农产品监测中的应用进展[J];北京农业;2016年01期
3 朱贞映;袁建;何荣;;粮油中高光谱图像技术的应用现状[J];粮食与饲料工业;2016年09期
4 徐爽;何建国;马瑜;梁慧琳;刘贵珊;贺晓光;;高光谱图像技术在水果品质检测中的研究进展[J];食品研究与开发;2013年10期
5 叶珍;白璘;;局部保护降维与高斯混合模型的高光谱图像分类[J];工业仪表与自动化装置;2017年04期
6 吴龙国;何建国;贺晓光;刘贵珊;王伟;王松磊;苏伟东;罗阳;思振华;;高光谱图像技术在水果无损检测中的研究进展[J];激光与红外;2013年09期
7 闫敬文;陈宏达;刘蕾;;高光谱图像分类的研究进展[J];光学精密工程;2019年03期
8 唐中奇;付光远;陈进;张利;;基于低秩结构提取的高光谱图像压缩表示[J];电子与信息学报;2016年05期
9 张良培;李家艺;;高光谱图像稀疏信息处理综述与展望[J];遥感学报;2016年05期
10 洪科;汤漫;;浅谈高光谱图像融合方法[J];科技风;2019年16期
相关博士学位论文 前10条
1 BOUKHECHBA KAMEL;基于DCT的高光谱图像处理方法[D];武汉大学;2018年
2 李娇娇;高光谱遥感图像高效分类与解混方法研究[D];西安电子科技大学;2016年
3 刘务;基于空谱特征挖掘的高光谱图像分类方法研究[D];哈尔滨工程大学;2018年
4 李威;基于机器学习的森林多源遥感数据分析方法研究[D];哈尔滨工程大学;2018年
5 李畅;高光谱遥感影像处理中的若干关键技术研究[D];华中科技大学;2018年
6 任越美;高光谱图像特征提取与分类方法研究[D];西北工业大学;2017年
7 王庆岩;面向植被遥感监测的高光谱图像分类技术研究[D];哈尔滨工业大学;2018年
8 吴钊君;基于权重核范数的高光谱图像去噪与解混方法研究[D];哈尔滨工业大学;2018年
9 张星;组合空间和光谱特性的高光谱图像异常检测与目标识别方法研究[D];国防科学技术大学;2016年
10 冯志玺;空谱稀疏结构学习下的高光谱数据降维与分类技术研究[D];西安电子科技大学;2018年
相关硕士学位论文 前10条
1 苏康;基于高光谱显微成像的细胞检测研究与应用[D];暨南大学;2017年
2 戴蕾;函数型数据分析方法及其在高光谱图像目标探测中的应用[D];华中科技大学;2018年
3 郑炜玲;基于块稀疏表达的高光谱图像压缩[D];武汉大学;2018年
4 苏毅;不同氮水平下冬小麦农学参数高光谱监测研究[D];山西农业大学;2018年
5 陈冲;南疆红枣多角度高光谱偏振检测模型研究[D];塔里木大学;2019年
6 王立伟;深度迁移学习在高光谱图像分类中的应用[D];浙江工业大学;2019年
7 杨承文;基于主动学习的高光谱图像分类[D];浙江工业大学;2019年
8 陈方杰;基于生成对抗网络的高光谱图像分类[D];浙江工业大学;2019年
9 房盟盟;特定温度下滩羊肉贮藏期的高光谱—动力学预测方程构建[D];宁夏大学;2018年
10 彭焱;基于波段子区间划分的高光谱图像分类研究[D];浙江工业大学;2017年
本文编号:2868339
本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/2868339.html