卷积神经网络在遥感图像识别中的应用研究

发布时间：2021-04-24 20:16

　　遥感图像识别是遥感图像处理领域的一项重要研究课题,其主要任务是从遥感图像中检测出目标候选区域并给出该候选区域的类别。传统的遥感图像识别算法在简单的场景中可以取得较好的效果,但是在复杂的背景下,往往得到的效果不好。随着深度学习的提出,深层卷积神经网络可以提取遥感图像深层次的语义特征,大大提高了遥感图像识别的准确率。本文提出了基于多目标骨架粒子群（MOBPSO）的特征选择算法,并将该算法应用于Faster R-CNN中,对Faster R-CNN算法中提取的候选区域特征进行特征选择,提高了遥感图像识别的准确率。主要工作包括以下三个方面:（1）针对利用卷积神经网络提取的遥感图像特征存在冗余的问题,本文提出了一种基于MOBPSO的特征选择算法。通过与两种经典的多目标特征选择算法在12个标准数据集上进行对比,基于MOBPSO的特征选择算法的准确率和运行时间在大部分数据集上优于其它两种算法,可以有效去除冗余特征。（2）应用深层卷积神经网络模型,提取遥感图像中的特征,并采用基于MOBPSO的特征选择算法,对提取的遥感图像特征进行特征选择。相比于其它两种经典特征选择算法,本文提出的基于MOBPSO的特... 

【文章来源】：河北地质大学河北省

【文章页数】：65 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
    1.3 论文主要研究内容
    1.4 论文组织结构
第二章 相关技术
    2.1 遥感图像识别
        2.1.1 候选区域提取方法
        2.1.2 特征表达方法
        2.1.3 分类器模型
    2.2 卷积神经网络
    2.3 本章小结
第三章 基于MOBPSO的特征选择方法研究
    3.1 引言
        3.1.1 粒子群算法
        3.1.2 骨架粒子群算法
        3.1.3 多目标优化
    3.2 基于MOBPSO的特征选择算法实验设计
        3.2.1 种群的编码、解码与评价
        3.2.2 更新外部存档
        3.2.3 更新引导者Gbest和 Pbest
        3.2.4 变异操作
        3.2.5 算法描述
    3.3 性能仿真和分析
        3.3.1 数据集以及实验参数设置
        3.3.2 实验结果分析
    3.4 MOBPSO算法在遥感图像识别中的应用
        3.4.1 数据集
        3.4.2 遥感图像目标区域特征提取
        3.4.3 目标区域特征选择实验结果与分析
    3.5 本章小结
第四章 基于改进Faster R-CNN的遥感图像识别方法研究
    4.1 Faster R-CNN算法
        4.1.1 特征提取网络
        4.1.2 候选区域生成网络
        4.1.3 分类回归网络
    4.2 Faster R-CNN算法改进策略
    4.3 基于改进Faster R-CNN的遥感图像识别
        4.3.1 数据集
        4.3.2 评价标准
        4.3.3 模型调优
        4.3.4 实验结果与分析
    4.4 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间发表的论文和科研成果
作者简介
致谢


【参考文献】：
期刊论文
[1]基于SAC的特征选择算法[J]. 张梦林,李占山.  计算机科学. 2018(02)
[2]SIFT算法优化及其在遥感影像配准中的应用[J]. 李莹莹,刘庆杰,荆林海,苗峰显.  遥感信息. 2017(02)
[3]基于人工神经网络法的遥感影像分类研究[J]. 杨艳青,柴旭荣.  山西师范大学学报(自然科学版). 2017(01)
[4]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远.  北京航空航天大学学报. 2017(09)
[5]多特征的光学遥感图像多目标识别算法[J]. 姬晓飞,秦宁丽,刘洋.  智能系统学报. 2016(05)
[6]基于改进SVM算法的高分辨率遥感影像分类[J]. 邓曾,李丹,柯樱海,吴燕晨,李小娟,宫辉力.  国土资源遥感. 2016(03)



本文编号：3158008