针对卫星图像的语义分割算法研究

发布时间：2021-01-05 00:51

　　随着卫星技术的飞速提高,卫星影像尤其是高分辨率遥感卫星影像受到各国的极大重视,并已在不同领域得到应用。卫星影像以其丰富的信息、直观的形象可以提取各种自然要素之间的相关位置、空间分布,给目标语义分割在民用和军用方面都提供了极大的发展空间。于此同时,在人工智能的浪潮下,深度学习凭借计算能力的大幅提高得到新的发展,其不仅在传统的计算机视觉、机器人方面带来巨大的变革,同时也在诸如金融、医疗等方面带来新的解决方式。因此,将深度学习应用到针对卫星影像的语义分割中,由此为军用战术以及民用商业规划开阔新的思路。本文利用卷积神经网络对卫星高分辨率影像进行多类别语义分割。本文的主要内容如下:首先,概述深度学习的基本模型及深度学习的三个特点,即模型简单、可扩展性及可迁移性。重点主要研究卷积神经网络的构成、特点、研究机制及发展方向。针对利用人工设计的学习特征等进行卫星影像语义分割时,特征设计学习过于繁琐、适应范围受限制等问题,本文应用卷积神经网络自动设计、提取特征。以典型语义分割网络为基础,设计了卫星影像语义分割网络结构,结合了现有的卷积神经网络（Convolutional Neural Network,CN... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：72 页

【学位级别】：硕士

【部分图文】：

卷积神经网络从属示意图

哈尔滨工业大学工学硕士学位论文图像尺寸很大时，较小尺寸的卷积核能够将计算量成百倍的减少。对于输入像素达到百万级别时，个位数级别的卷积核能够很好的提升计算速度。与此同时，卷积操作在图像卷积时通常是乘法形式，使得权值共享成为可能。如图所示，表示卷积层的操作。在每个步骤的计算中，卷积核滑动到输入特征图上以计算输出特征图中的对应值。2×2 过滤器（以绿色显示）与 4×4 输入特征映射中的相同大小的区域（以橙色显示）相乘，并将结果值相加以获得输出中的对应位置（以蓝色显示）在每个卷积步骤中的特征映射。

可以对图像中的细节进行特征提取。在输入原始图像时，卷积核可以提取到包括颜色、边缘等特征，这些二维响应图将进入池化层进行特征筛选。图 2-3 卷积核可视化


本文编号：2957687