基于深度学习高分辨率遥感影像语义分割研究
发布时间：2021-04-20 11:55
随着遥感技术的快速发展,我们可以获取到越来越多纹理细节清晰、光谱特征丰富的高分辨率遥感影像,如何有效利用这些含有丰富信息的遥感影像,已经成为研究的热点。传统的机器学习方法对高分辨率遥感影像特征分析和特征提取的过程有一定的复杂性,不能够对空间结构与物体边缘特征信息进行有效的处理,有显著的局限性。而深度学习打破了传统的机器学习方法的局限性,可以对纹理、空间结构与光谱等高维度信息进行特征提取,并应用在语义分割中的自然灾害监测、城市规划、土地覆盖监测等领域。本文主要采用深度学习模型,对高分辨率遥感影像的语义分割问题开展以下几个方面的研究与探索:（1）提出一种改进的反卷积网络模型,该模型将编码结构与解码结构对应特征层连接,能够更深层次对样本空间结构与边缘等特征信息进行提取。在马萨诸塞州建筑物遥感影像数据集上使用该模型进行实验,结果表明,改进后的模型比其他经典的语义分割网络模型像素精确度高出了 3%～6%。（2）深度学习卷积神经网络模型需要大量的数据进行训练。当前遥感影像存在数量多但标注少的问题,导致深度学习网络模型训练困难。本文设计的数据预训练模型,在不改变原有数据的基础上,通过对遥感影像进行翻...
【文章来源】：浙江理工大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景与意义
1.2 国内外研究现状
1.2.1 机器学习在遥感领域的应用
1.2.2 深度学习在遥感领域的应用
1.2.3 高分辨率遥感影像分析研究现状
1.3 论文研究内容
1.4 论文内容组织结构
第二章 相关技术介绍
2.1 机器学习原理
2.1.1 监督学习
2.1.2 半监督学习
2.1.3 无监督学习
2.1.4 强化学习
2.2 深度学习原理
2.2.1 多层感知器
2.2.2 自动编码器
2.2.3 受限玻尔兹曼机
2.2.4 卷积神经网络
2.3 本章小结
第三章 改进反卷积网络语义分割方法研究
3.1 语义分割理论介绍
3.1.1 FCN模型
3.1.2 DeconvNet模型
3.1.3 Unet模型
3.2 改进反卷积网络模型
3.2.1 预处理
3.2.2 编码结构
3.2.3 解码结构
3.3 实验数据及结果
3.3.1 数据集描述
3.3.2 实验环境
3.3.3 网络模型的参数设置
3.3.4 评价指标
3.3.5 实验结果分析
3.4 本章小结
第四章 基于数据集扩充方法研究
4.1 传统图像扩充方法研究
4.2 图像变形研究
4.3 数据预处理模型
4.4 本章小结
第五章 基于deeplab V3+在遥感领域应用的研究
5.1 相关理论
5.1.1 空洞卷积
5.1.2 条件随机场
5.1.3 空洞空间金字塔池化
5.2 DeeplabV3+网络模型研究
5.2.1 编码器与解码器结构
5.2.2 Aligned Xception模型
5.3 实验结果与分析
5.3.1 数据集描述
5.3.2 实验环境
5.3.3 实验模型的参数设置
5.3.4 模型训练流程
5.3.5 评价标准
5.3.6 实验结果分析
5.4 本章小结
第六章 总结与展望
6.1 工作总结
6.2 研究展望
参考文献
学位期间的研究成果
致谢
【参考文献】：
期刊论文
[1]深度学习语义分割方法在遥感影像分割中的性能分析[J]. 王俊强,李建胜,丁波,蔡富. 计算机测量与控制. 2019(07)
[2]利用深度残差网络的高分遥感影像语义分割[J]. 李欣,唐文莉,杨博. 应用科学学报. 2019(02)
[3]结合显著图和深度学习的遥感影像飞机目标识别[J]. 刘相云,龚志辉,金飞,杨光,范炜康. 测绘通报. 2019(03)
[4]凝视视频卫星目标检测算法[J]. 张作省,朱瑞飞. 航天返回与遥感. 2018(06)
[5]一种改进迭代条件模型的遥感影像语义分割方法[J]. 黄亮,宋晶. 软件导刊. 2019(01)
[6]当代遥感科技发展的现状与未来展望[J]. 张兵. 中国科学院院刊. 2017(07)
[7]视景建模中树木纹理图像的随机变形网格方法[J]. 施冠羽,欧阳清. 中国图象图形学报. 2015(10)
[8]高分辨率SAR图像中建筑物特征融合检测算法[J]. 苏娟,张强,陈炜,王继平. 测绘学报. 2014(09)
[9]摄影测量与遥感技术的发展[J]. 王攀,李俊杰,孙学伟. 科技资讯. 2012(34)
[10]C4.5决策树改进算法研究[J]. 冯帆,徐俊刚. 电子技术. 2012(06)
博士论文
[1]基于高分辨率遥感影像的城中村提取方法研究[D]. 刘辉.武汉大学 2018
本文编号：3149635
【文章来源】：浙江理工大学浙江省
【文章页数】：70 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 课题研究背景与意义
1.2 国内外研究现状
1.2.1 机器学习在遥感领域的应用
1.2.2 深度学习在遥感领域的应用
1.2.3 高分辨率遥感影像分析研究现状
1.3 论文研究内容
1.4 论文内容组织结构
第二章 相关技术介绍
2.1 机器学习原理
2.1.1 监督学习
2.1.2 半监督学习
2.1.3 无监督学习
2.1.4 强化学习
2.2 深度学习原理
2.2.1 多层感知器
2.2.2 自动编码器
2.2.3 受限玻尔兹曼机
2.2.4 卷积神经网络
2.3 本章小结
第三章 改进反卷积网络语义分割方法研究
3.1 语义分割理论介绍
3.1.1 FCN模型
3.1.2 DeconvNet模型
3.1.3 Unet模型
3.2 改进反卷积网络模型
3.2.1 预处理
3.2.2 编码结构
3.2.3 解码结构
3.3 实验数据及结果
3.3.1 数据集描述
3.3.2 实验环境
3.3.3 网络模型的参数设置
3.3.4 评价指标
3.3.5 实验结果分析
3.4 本章小结
第四章 基于数据集扩充方法研究
4.1 传统图像扩充方法研究
4.2 图像变形研究
4.3 数据预处理模型
4.4 本章小结
第五章 基于deeplab V3+在遥感领域应用的研究
5.1 相关理论
5.1.1 空洞卷积
5.1.2 条件随机场
5.1.3 空洞空间金字塔池化
5.2 DeeplabV3+网络模型研究
5.2.1 编码器与解码器结构
5.2.2 Aligned Xception模型
5.3 实验结果与分析
5.3.1 数据集描述
5.3.2 实验环境
5.3.3 实验模型的参数设置
5.3.4 模型训练流程
5.3.5 评价标准
5.3.6 实验结果分析
5.4 本章小结
第六章 总结与展望
6.1 工作总结
6.2 研究展望
参考文献
学位期间的研究成果
致谢
【参考文献】：
期刊论文
[1]深度学习语义分割方法在遥感影像分割中的性能分析[J]. 王俊强,李建胜,丁波,蔡富. 计算机测量与控制. 2019(07)
[2]利用深度残差网络的高分遥感影像语义分割[J]. 李欣,唐文莉,杨博. 应用科学学报. 2019(02)
[3]结合显著图和深度学习的遥感影像飞机目标识别[J]. 刘相云,龚志辉,金飞,杨光,范炜康. 测绘通报. 2019(03)
[4]凝视视频卫星目标检测算法[J]. 张作省,朱瑞飞. 航天返回与遥感. 2018(06)
[5]一种改进迭代条件模型的遥感影像语义分割方法[J]. 黄亮,宋晶. 软件导刊. 2019(01)
[6]当代遥感科技发展的现状与未来展望[J]. 张兵. 中国科学院院刊. 2017(07)
[7]视景建模中树木纹理图像的随机变形网格方法[J]. 施冠羽,欧阳清. 中国图象图形学报. 2015(10)
[8]高分辨率SAR图像中建筑物特征融合检测算法[J]. 苏娟,张强,陈炜,王继平. 测绘学报. 2014(09)
[9]摄影测量与遥感技术的发展[J]. 王攀,李俊杰,孙学伟. 科技资讯. 2012(34)
[10]C4.5决策树改进算法研究[J]. 冯帆,徐俊刚. 电子技术. 2012(06)
博士论文
[1]基于高分辨率遥感影像的城中村提取方法研究[D]. 刘辉.武汉大学 2018
本文编号：3149635
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3149635.html
