当前位置:主页 > 管理论文 > 工程管理论文 >

深度迁移学习在高光谱图像分类中的应用

发布时间:2020-11-03 08:24
   高光谱图像分类普遍利用光谱特征,而光谱特征的可分性不足,导致分类精度不高。同时,由于同一样本在不同高光谱图像中的特征分布不同,导致传统分类方法无法在多个高光谱图像中对同一样本实现有效分类。本文利用残差网络提取高光谱图像的深层特征,利用领域适配网络对齐不同高光谱图像的特征空间,以提高高光谱图像的分类性能。论文的主要结果如下:(1)针对高光谱图像分类中光谱特征可分性不足的问题,本文提出一种基于残差网络的高光谱图像分类方法。该方法对高光谱图像中每个像素点进行空间特征提取,基于残差网络算法建立分类模型,利用残差网络结构避免梯度消失问题,以提高分类效果。(2)针对高光谱图像分类中标注样本不足的问题,本文基于深度迁移学习理论,对深层卷积网络的部分中间层参数进行有策略迁移,实现模型在两组高光谱图像数据集间的迁移学习,提高在少量标注样本情况下的分类效果。(3)针对同类样本在不同数据集中的特征空间偏移问题,本文采用领域适配网络算法对两组高光谱图像数据集的特征空间进行特征对齐,提升高光谱图像在无标注数据情况下的分类效果。
【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】:

特征图,卷积,卷积核,激活函数


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

函数图形,函数图形


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

函数图形,函数图形,函数,学习领域


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

资料下载
论文发表

本文链接:https://www.wllwen.com/guanlilunwen/gongchengguanli/2868339.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户be21f***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com