基于DCNN的高分辨率遥感图像场景分类
发布时间：2021-01-08 14:29
随着地学研究、经济建设、社会发展需要等多种因素的强力推动,遥感对地观测技术日益精进,遥感数据已经进入高分辨率影像时代。高空间分辨率遥感图像相对于中低分辨率遥感图像,能够提供更多的形状、纹理和空间信息,在精细农业、地籍调查、城市规划等诸多领域存在广阔的应用前景。但传统的遥感图像分类方法无法满足高层次遥感图像内容解译的需求,因此面向场景的高分辨率遥感图像分类是当前的热门研究课题。场景高分二号（GF-2）卫星作为我国首颗自主研发的亚米级空间分辨率遥感卫星,能够获取0.8m空间分辨率全色图像以及3.2m空间分辨率多光谱图像,空间信息丰富,应用前景广阔。本文基于深度卷积网络（DCNN）结构中的残差学习网络（ResNet）提取高分辨率遥感图像深度特征,与高分辨率遥感图像底层特征共同构建UC Merced Land Use（UCM）数据集图像场景语义特征,训练支持向量机（SVM）、K-近邻算法（KNN）两种分类器进行对比分析,得到高分辨率遥感图像场景分类模型;然后建立7类GF-2场景数据集,采用迁移学习理论中样本迁移方法,对GF-2数据集进行场景分类,并最终实现GF-2图像的场景级分类,为进一步将高...
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
RGB颜色模型图
第 2 章 遥感图像特征提取及特征组代生物学家进行了更多深入研的[57，59]。早期的传统人工神经，因此任意一层的所有神经元网络采用的局部连接，即一种到全局的感知方式，以及图像元仅对局部神经元进行感知，综合后得出全局的信息。其具代表的不同神经元仅与其相邻在很大程度上降低了网络模型
图 2.3 卷积操作示例图） 激励层卷积层实质上还是一种线性映射，在这种情况下输出都是输入的线性组是说当前网络的逼近能力十分有限，激励层主要就是将卷积层的输出进线性映射，通常直接设置在卷积层中。引入非线性函数作为激励函数，神经网络表达能力就更加强大，实现对任意函数的逼近。常见的激活函oid、tanh 和 ReLU 等。1）sigmoid 函数sigmoid 函数为生物学中常见的 S 型函数，也称为 S 型生长曲线 sigmo
【参考文献】：
期刊论文
[1]联合Fisher核编码和卷积神经网络的影像场景分类[J]. 刘异,庄姊琪,闫利,廖明. 遥感信息. 2018(04)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]基于多特征软概率级联的场景级土地利用分类方法[J]. 刘越岩,汪林宇,张斌,门计林. 农业工程学报. 2016(22)
[4]基于PCAnet的高分辨率遥感影像场景分类[J]. 何小飞,邹峥嵘,陶超. 测绘与空间地理信息. 2016(10)
[5]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[6]基于联想记忆的Hopfield神经网络的设计与实现[J]. 张少平,徐晓钟,马燕. 上海师范大学学报(自然科学版). 2016(01)
[7]遥感大数据自动分析与数据挖掘[J]. 李德仁,张良培,夏桂松. 测绘学报. 2014(12)
[8]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[9]图像场景分类中视觉词包模型方法综述[J]. 赵理君,唐娉,霍连志,郑柯. 中国图象图形学报. 2014(03)
[10]高分辨率对地观测的若干前沿科学问题[J]. 李德仁,童庆禧,李荣兴,龚健雅,张良培. 中国科学:地球科学. 2012(06)
博士论文
[1]基于深度学习的图像分类方法研究[D]. 孟丹.华东师范大学 2017
[2]高分辨率光学遥感图像场景理解关键技术研究[D]. 姚西文.西北工业大学 2016
[3]基于中层语义表示的图像场景分类研究[D]. 解文杰.北京交通大学 2011
硕士论文
[1]卷积神经网络的研究与应用[D]. 姜亚东.电子科技大学 2018
[2]基于语种识别系统的语言距离关系研究[D]. 孙乐.浙江大学 2016
[3]基于Fisher Kernel的图像特征学习研究[D]. 赵云浩.中国科学技术大学 2016
[4]基于深度学习的场景分类[D]. 张建国.辽宁工业大学 2016
[5]纹理图像分类系统及其关键技术研究[D]. 王晓东.南京邮电大学 2013
[6]结合底层特征和高层语义的图像检索技术研究[D]. 吕轶超.重庆大学 2011
[7]基于概率潜在语义分析的图像场景分类[D]. 陈红娟.天津大学 2009
[8]图像场景分类的关键技术研究[D]. 冯炜.北京交通大学 2008
本文编号：2964762
【文章来源】：吉林大学吉林省 211工程院校 985工程院校 教育部直属院校
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
RGB颜色模型图
第 2 章 遥感图像特征提取及特征组代生物学家进行了更多深入研的[57，59]。早期的传统人工神经，因此任意一层的所有神经元网络采用的局部连接，即一种到全局的感知方式，以及图像元仅对局部神经元进行感知，综合后得出全局的信息。其具代表的不同神经元仅与其相邻在很大程度上降低了网络模型
图 2.3 卷积操作示例图） 激励层卷积层实质上还是一种线性映射，在这种情况下输出都是输入的线性组是说当前网络的逼近能力十分有限，激励层主要就是将卷积层的输出进线性映射，通常直接设置在卷积层中。引入非线性函数作为激励函数，神经网络表达能力就更加强大，实现对任意函数的逼近。常见的激活函oid、tanh 和 ReLU 等。1）sigmoid 函数sigmoid 函数为生物学中常见的 S 型函数，也称为 S 型生长曲线 sigmo
【参考文献】：
期刊论文
[1]联合Fisher核编码和卷积神经网络的影像场景分类[J]. 刘异,庄姊琪,闫利,廖明. 遥感信息. 2018(04)
[2]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[3]基于多特征软概率级联的场景级土地利用分类方法[J]. 刘越岩,汪林宇,张斌,门计林. 农业工程学报. 2016(22)
[4]基于PCAnet的高分辨率遥感影像场景分类[J]. 何小飞,邹峥嵘,陶超. 测绘与空间地理信息. 2016(10)
[5]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安. 自动化学报. 2016(09)
[6]基于联想记忆的Hopfield神经网络的设计与实现[J]. 张少平,徐晓钟,马燕. 上海师范大学学报(自然科学版). 2016(01)
[7]遥感大数据自动分析与数据挖掘[J]. 李德仁,张良培,夏桂松. 测绘学报. 2014(12)
[8]迁移学习研究进展[J]. 庄福振,罗平,何清,史忠植. 软件学报. 2015(01)
[9]图像场景分类中视觉词包模型方法综述[J]. 赵理君,唐娉,霍连志,郑柯. 中国图象图形学报. 2014(03)
[10]高分辨率对地观测的若干前沿科学问题[J]. 李德仁,童庆禧,李荣兴,龚健雅,张良培. 中国科学:地球科学. 2012(06)
博士论文
[1]基于深度学习的图像分类方法研究[D]. 孟丹.华东师范大学 2017
[2]高分辨率光学遥感图像场景理解关键技术研究[D]. 姚西文.西北工业大学 2016
[3]基于中层语义表示的图像场景分类研究[D]. 解文杰.北京交通大学 2011
硕士论文
[1]卷积神经网络的研究与应用[D]. 姜亚东.电子科技大学 2018
[2]基于语种识别系统的语言距离关系研究[D]. 孙乐.浙江大学 2016
[3]基于Fisher Kernel的图像特征学习研究[D]. 赵云浩.中国科学技术大学 2016
[4]基于深度学习的场景分类[D]. 张建国.辽宁工业大学 2016
[5]纹理图像分类系统及其关键技术研究[D]. 王晓东.南京邮电大学 2013
[6]结合底层特征和高层语义的图像检索技术研究[D]. 吕轶超.重庆大学 2011
[7]基于概率潜在语义分析的图像场景分类[D]. 陈红娟.天津大学 2009
[8]图像场景分类的关键技术研究[D]. 冯炜.北京交通大学 2008
本文编号：2964762
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/2964762.html
