基于数据增强的卷积神经网络高光谱图像分类技术研究
发布时间：2021-02-18 00:33
遥感技术是上世纪60年代时兴起的一种对地面场景进行探测和解译的综合技术。高光谱遥感图像的出现,有力推进了遥感相关研究。高光谱遥感图像不仅能够表征地物的结构、形状、位置关系等空间特征,而且包含表征物体特有物理材质的光谱信息。这样“图谱合一”的突出优势,使得高光谱遥感图像在地质勘测、农业监测、城市规划等领域起着重要作用。而高光谱遥感图像分类作为解决以上问题的关键技术,一直以来都是备受人们关注且应用前景广泛的课题。卷积神经网络凭借其隐式学习以及深度特征提取等特性,已经在高光谱遥感图像分类领域大放异彩。然而,卷积神经网络在训练过程中需要输入大量的标记样本,高光谱遥感图像的小样本问题极大地限制了信息解译的准确性。针对以上问题,本文在目前已经存在的处理技术的基础上,以实现高光谱遥感图像全面数据增强为出发点,分别在数据数量层面以及数据质量层面展开数据增强工作,主要研究内容如下:（1）针对高光谱遥感图像标记样本数量较少,人工标记成本高等问题,采用像素块配对的方式同时增加样本数量以及样本多样性。该方法以训练像素点为中心构建像素块,然后将同类的像素块以及不同类的像素块分别两两配对,最终将配对后的结果输入到...
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【图文】：
图１－３论文整体结构??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??
?第二章卷积神经网络相关理论???第二章卷积神经网络相关理论??２．１深度学习的发展??深度学习是机器学习的重要分支，它在人工神经网络的基础结构上进行了延伸与??扩展，是能够自动学习和分析数据内在规律和特征的算法。人工神经网络是人脑神经??网络的粗略模拟，如图２－１所示，人脑神经网络是无数个神经细胞组成的，神经元在??信号传递过程中，起主要作用的部分是树突和轴突，而人工祌经元利用数学模型去模??拟真实神经元，模型的输入用作树突，模型的输出用作轴突，若将输出连接到其他人??工神经元，便成为了下一层网络的输入，成百上千个人工神经元相连，便构成了人工??神经网络。??人类大脑?人脑神经网络?神经元??，工神经＿?人工ｔ元??图２－１人脑神经网络的粗略模拟??Ｆｉｇ．２－１?Ａ?ｒｏｕｇｈ?ｓｉｍｕｌａｔｉｏｎ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｉｎ?ｔｈｅ?ｈｕｍａｎ?ｂｒａｉｎ??深度学习通过构造多层的网络结构，起初提取数据的低层次特征，随后不断地将??底层特征综合和整理，组成更高级特征，最终将多层级特征组合，并选择最有效的抽??象特征用于网络学习［２８’２９］。目前已有多种优秀的网络被广泛应用，如长短期记忆网络、??生成对抗网络、卷积神经网络和循环神经网络等等，且均己被成功应用于图像解译、??智能控制和自然语言处理等领域。其中，在图像分析方面，卷积神经网络己然表现出??卓越的优势。深度学习的概念可追溯到二十世纪四十年代，其发展可以概括为“两次??低谷，三次增长”。本节简述了深度学习以及其重要研究方向卷积神经网络的发展过??９??
?北京化工大学硕士学位论文???程，具体如图２－２所示。??感知器不能解决亦?／??或（ＸＯＲ）问题?／??？?＿?物??咖乂?＼－Ｓ／Ａ?＾??〔９４）?Ｍ９８６１?＾００６＾＾?＾??ｍｃｐ神经元?ｍ??数学翻?阶戽１＊?ｍ．??图２－２深度学习发展过程??Ｆｉｇ．２－２?Ｄｅｖｅｌｏｐｍｅｎｔ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??１９４３年，美国神经科学家ＭｃＣｕｌｌｏｃｈ和美国数学家Ｐｉｔｔｓ第一次提出人工神经网??络的概念，并依据生物神经元的结构定义了抽象简化版的ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ?（ＭＣＰ）模??型。该模型的目的是利用计算机模拟生物神经元的反应过程，奠定了人工神经网络的??研宄基础＿。１９５８年，Ｒｏｓｅｎｂｌａｔｔ提出了感知器模型，该网络包含两层神经元，依??托ＭＣＰ模型对多维数据实现二分类，引起了第一波人工智能（Ａｒｔｉｆｉｃｉａｌ?Ｉｎｔｅｌｌｉｇｅｎｃｅ，??ＡＩ）学习浪潮［３１］。然而，１９６９年，美国数学家Ｍｉｎｓｋｙ证明了感知器是一种线性模型，??仅能处理线性问题，甚至连简单的亦或（ＸＯＲ）都不能解决。自此，浅层人工神经网??络的研究陷入了低谷。２０世纪８０年代初，研究发现可以通过增加网络的深度以实现??非线性功能。另外，１９８６年，适用于多层感知器的反向传播算法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，??ＢＰ）被提出，该方法通过误差反向逐层传递的方式有效解决了非线性分类问题，同时??引起了人工神经网络的第二次研究热潮［３２］。然而，１９９１年，研究发现ＢＰ算法存在梯??度消失问题，也就是说，存在误差梯度逐层传到前层时几乎为零的情况，大大限制了?
【参考文献】：
期刊论文
[1]高光谱遥感图像空谱联合分类方法研究[J]. 李铁,孙劲光,张新君,王星. 仪器仪表学报. 2016(06)
[2]加权空-谱与最近邻分类器相结合的高光谱图像分类[J]. 黄鸿,郑新磊. 光学精密工程. 2016(04)
[3]基于空间约束加权条件稀疏表示高光谱图像分类[J]. 陈善学,屈龙瑶,胡灿. 系统工程与电子技术. 2016(02)
[4]冷色调图像的灰度化及其客观评价方法[J]. 徐晓庆,王亦红. 计算机工程与设计. 2014(08)
[5]高光谱遥感图像最大似然分类问题及解决方法[J]. 李庆亭,张连蓬,杨锋杰. 山东科技大学学报(自然科学版). 2005(03)
硕士论文
[1]基于深度学习的图像分类的研究[D]. 闫蕾芳.山东大学 2017
[2]基于深度学习的高光谱图像分类算法的研究[D]. 王凡.中国科学技术大学 2017
本文编号：3038780
【文章来源】：北京化工大学北京市 211工程院校 教育部直属院校
【文章页数】：78 页
【学位级别】：硕士
【图文】：
图１－３论文整体结构??Ｆｉｇ．?１－３?Ｏｖｅｒａｌｌ?ｆｒａｍｅｗｏｒｋ?ｏｆ?ｔｈｉｓ?ｐａｐｅｒ??
?第二章卷积神经网络相关理论???第二章卷积神经网络相关理论??２．１深度学习的发展??深度学习是机器学习的重要分支，它在人工神经网络的基础结构上进行了延伸与??扩展，是能够自动学习和分析数据内在规律和特征的算法。人工神经网络是人脑神经??网络的粗略模拟，如图２－１所示，人脑神经网络是无数个神经细胞组成的，神经元在??信号传递过程中，起主要作用的部分是树突和轴突，而人工祌经元利用数学模型去模??拟真实神经元，模型的输入用作树突，模型的输出用作轴突，若将输出连接到其他人??工神经元，便成为了下一层网络的输入，成百上千个人工神经元相连，便构成了人工??神经网络。??人类大脑?人脑神经网络?神经元??，工神经＿?人工ｔ元??图２－１人脑神经网络的粗略模拟??Ｆｉｇ．２－１?Ａ?ｒｏｕｇｈ?ｓｉｍｕｌａｔｉｏｎ?ｏｆ?ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｉｎ?ｔｈｅ?ｈｕｍａｎ?ｂｒａｉｎ??深度学习通过构造多层的网络结构，起初提取数据的低层次特征，随后不断地将??底层特征综合和整理，组成更高级特征，最终将多层级特征组合，并选择最有效的抽??象特征用于网络学习［２８’２９］。目前已有多种优秀的网络被广泛应用，如长短期记忆网络、??生成对抗网络、卷积神经网络和循环神经网络等等，且均己被成功应用于图像解译、??智能控制和自然语言处理等领域。其中，在图像分析方面，卷积神经网络己然表现出??卓越的优势。深度学习的概念可追溯到二十世纪四十年代，其发展可以概括为“两次??低谷，三次增长”。本节简述了深度学习以及其重要研究方向卷积神经网络的发展过??９??
?北京化工大学硕士学位论文???程，具体如图２－２所示。??感知器不能解决亦?／??或（ＸＯＲ）问题?／??？?＿?物??咖乂?＼－Ｓ／Ａ?＾??〔９４）?Ｍ９８６１?＾００６＾＾?＾??ｍｃｐ神经元?ｍ??数学翻?阶戽１＊?ｍ．??图２－２深度学习发展过程??Ｆｉｇ．２－２?Ｄｅｖｅｌｏｐｍｅｎｔ?ｐｒｏｃｅｓｓ?ｏｆ?ｄｅｅｐ?ｌｅａｒｎｉｎｇ??１９４３年，美国神经科学家ＭｃＣｕｌｌｏｃｈ和美国数学家Ｐｉｔｔｓ第一次提出人工神经网??络的概念，并依据生物神经元的结构定义了抽象简化版的ＭｃＣｕｌｌｏｃｈ－Ｐｉｔｔｓ?（ＭＣＰ）模??型。该模型的目的是利用计算机模拟生物神经元的反应过程，奠定了人工神经网络的??研宄基础＿。１９５８年，Ｒｏｓｅｎｂｌａｔｔ提出了感知器模型，该网络包含两层神经元，依??托ＭＣＰ模型对多维数据实现二分类，引起了第一波人工智能（Ａｒｔｉｆｉｃｉａｌ?Ｉｎｔｅｌｌｉｇｅｎｃｅ，??ＡＩ）学习浪潮［３１］。然而，１９６９年，美国数学家Ｍｉｎｓｋｙ证明了感知器是一种线性模型，??仅能处理线性问题，甚至连简单的亦或（ＸＯＲ）都不能解决。自此，浅层人工神经网??络的研究陷入了低谷。２０世纪８０年代初，研究发现可以通过增加网络的深度以实现??非线性功能。另外，１９８６年，适用于多层感知器的反向传播算法（Ｂａｃｋｐｒｏｐａｇａｔｉｏｎ，??ＢＰ）被提出，该方法通过误差反向逐层传递的方式有效解决了非线性分类问题，同时??引起了人工神经网络的第二次研究热潮［３２］。然而，１９９１年，研究发现ＢＰ算法存在梯??度消失问题，也就是说，存在误差梯度逐层传到前层时几乎为零的情况，大大限制了?
【参考文献】：
期刊论文
[1]高光谱遥感图像空谱联合分类方法研究[J]. 李铁,孙劲光,张新君,王星. 仪器仪表学报. 2016(06)
[2]加权空-谱与最近邻分类器相结合的高光谱图像分类[J]. 黄鸿,郑新磊. 光学精密工程. 2016(04)
[3]基于空间约束加权条件稀疏表示高光谱图像分类[J]. 陈善学,屈龙瑶,胡灿. 系统工程与电子技术. 2016(02)
[4]冷色调图像的灰度化及其客观评价方法[J]. 徐晓庆,王亦红. 计算机工程与设计. 2014(08)
[5]高光谱遥感图像最大似然分类问题及解决方法[J]. 李庆亭,张连蓬,杨锋杰. 山东科技大学学报(自然科学版). 2005(03)
硕士论文
[1]基于深度学习的图像分类的研究[D]. 闫蕾芳.山东大学 2017
[2]基于深度学习的高光谱图像分类算法的研究[D]. 王凡.中国科学技术大学 2017
本文编号：3038780
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3038780.html
