基于深度学习的遥感影像分类方法研究
发布时间：2021-07-22 06:50
遥感影像由于在地理测绘,环境监测,地物识别等领域具有重要的意义,一直以来都是图像识别领域的热点。然而,遥感影像的识别技术还是存在很多问题。一方面,目前最流行的深度学习基础模型都是建立在传统图像上的,没有一种基础模型专门针对遥感影像领域,因此通用模型并不能很好的贴合遥感影像特性;另一方面,对遥感影像内的场景进行分类时,远距离拍摄的场景往往具有更复杂的情形,区分度不明显,这会给遥感影像内多个场景的识别造成困难,导致分类精度降低。针对上述不足,本文展开了下述工作:围绕遥感影像分类和深度学习的内容,系统查阅当前国内外研究现状和研究进展,并分析和总结了相关研究的工作和方法,以说明采用深度学习方法的优越性。针对遥感影像基础深度模型的缺乏,在仔细研究和深入分析两个经典CNN系列:GoogLeNet和VGGNet之后,结合空洞卷积方法,设计出新的深度学习模型,并将新的模型在WHU-RS19和UCMerced数据集上进行实验。之后,在和两个经典的CNN系列代表对比实验中,论证改进模型的优越性。为了使改进的模型能够处理像素级遥感影像分类,文中利用了FCN的图像分割原理。本部分需要深入研究FCN模型,然后利...
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
神经元结构
Sigmoid 函数和tanh 函数等。图 2-1 中多个神经元按照前后相连的规则，能够组成具有多个层次的神经网络。图2-2 是包含一个隐含层的神经网络结构。从左到右的层次依次称为：输入层，隐含层和输出层。在此例举的神经网络结构中，输入层放置了 3 个神经元结点，输出层放置了 4个神经元，输出层放置了 2 个神经元。层与层之间的节点全部相互连接在一起。最后，输出层引出输出箭头。图 2-2 三层神经网络结构x( k 1,2,3)k设为输入信息，l (l 1,2,3)为层数，则lijw 为第l层第i个神经元和第 l 1层第 j 个神经元相互联系的权重，lib 代表第l层第i个神经元的偏置项
,1,2,3,422322432423323223222132132jijiwabwawawawaba( 2统的神经网络将多个神经元组成一排，两排之间通过全连接相互联系，每层的元节点都有一个输入和一个输出，前一层的输出是后一层的输入，经过层层递最后在输出层的作用下，输出最终的运算结果。积神经网络的预测原理N 是对传统神经网络的改进，原理类似，都是通过层层计算和模型训练，自络连接的权重值和偏置值。然而，CNN 具有更深的网络结构。与传统的神经，卷积层和池化层代替了传统神经网络大部分的隐含层。在训练过程中，卷积征向量始终保持二维结构，池化层能够对原图像进行降维，减轻了网络计算代的权重矩阵称为卷积核，它的作用是提取影像特征信息。紧随卷积层之后的化层。由此，这样的“卷积-池化”组合，就构成了卷积神经网络结构的一层 中，可以含有不定数量的卷积-池化层。CNN 网络最后一层是全连接层，作图像。
【参考文献】：
期刊论文
[1]基于面向对象的高分辨率遥感影像分类技术研究[J]. 杜斌,张炜. 西部资源. 2016(05)
[2]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹. 测绘科学. 2016(10)
[3]SVM和ANN在多光谱遥感影像分类中的比较研究[J]. 李颖,李耀辉,王金鑫,张成才. 海洋测绘. 2016(05)
[4]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇. 光学学报. 2016(04)
[5]基于深度支撑值学习网络的遥感图像融合[J]. 李红,刘芳,杨淑媛,张凯. 计算机学报. 2016(08)
[6]Boosting和Bagging算法的高分辨率遥感影像分类探讨[J]. 陈绍杰,逄云峰. 测绘科学. 2010(05)
[7]基于SVM决策支持树的城市植被类型遥感分类研究[J]. 张友静,高云霄,黄浩,任立良. 遥感学报. 2006(02)
硕士论文
[1]基于全卷积神经网络的全向场景分割研究与算法实现[D]. 翁健.山东大学 2017
[2]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017
[3]高空间分辨率遥感影像分类研究[D]. 元晨.长安大学 2016
[4]面向对象的高分辨率遥感影像全要素分类研究[D]. 程臻.哈尔滨工业大学 2015
本文编号：3296667
【文章来源】：哈尔滨工程大学黑龙江省 211工程院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
神经元结构
Sigmoid 函数和tanh 函数等。图 2-1 中多个神经元按照前后相连的规则，能够组成具有多个层次的神经网络。图2-2 是包含一个隐含层的神经网络结构。从左到右的层次依次称为：输入层，隐含层和输出层。在此例举的神经网络结构中，输入层放置了 3 个神经元结点，输出层放置了 4个神经元，输出层放置了 2 个神经元。层与层之间的节点全部相互连接在一起。最后，输出层引出输出箭头。图 2-2 三层神经网络结构x( k 1,2,3)k设为输入信息，l (l 1,2,3)为层数，则lijw 为第l层第i个神经元和第 l 1层第 j 个神经元相互联系的权重，lib 代表第l层第i个神经元的偏置项
,1,2,3,422322432423323223222132132jijiwabwawawawaba( 2统的神经网络将多个神经元组成一排，两排之间通过全连接相互联系，每层的元节点都有一个输入和一个输出，前一层的输出是后一层的输入，经过层层递最后在输出层的作用下，输出最终的运算结果。积神经网络的预测原理N 是对传统神经网络的改进，原理类似，都是通过层层计算和模型训练，自络连接的权重值和偏置值。然而，CNN 具有更深的网络结构。与传统的神经，卷积层和池化层代替了传统神经网络大部分的隐含层。在训练过程中，卷积征向量始终保持二维结构，池化层能够对原图像进行降维，减轻了网络计算代的权重矩阵称为卷积核，它的作用是提取影像特征信息。紧随卷积层之后的化层。由此，这样的“卷积-池化”组合，就构成了卷积神经网络结构的一层 中，可以含有不定数量的卷积-池化层。CNN 网络最后一层是全连接层，作图像。
【参考文献】：
期刊论文
[1]基于面向对象的高分辨率遥感影像分类技术研究[J]. 杜斌,张炜. 西部资源. 2016(05)
[2]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹. 测绘科学. 2016(10)
[3]SVM和ANN在多光谱遥感影像分类中的比较研究[J]. 李颖,李耀辉,王金鑫,张成才. 海洋测绘. 2016(05)
[4]基于深度学习的高分辨率遥感影像分类研究[J]. 刘大伟,韩玲,韩晓勇. 光学学报. 2016(04)
[5]基于深度支撑值学习网络的遥感图像融合[J]. 李红,刘芳,杨淑媛,张凯. 计算机学报. 2016(08)
[6]Boosting和Bagging算法的高分辨率遥感影像分类探讨[J]. 陈绍杰,逄云峰. 测绘科学. 2010(05)
[7]基于SVM决策支持树的城市植被类型遥感分类研究[J]. 张友静,高云霄,黄浩,任立良. 遥感学报. 2006(02)
硕士论文
[1]基于全卷积神经网络的全向场景分割研究与算法实现[D]. 翁健.山东大学 2017
[2]基于深度学习技术的高分辨率遥感影像建设用地信息提取研究[D]. 冯丽英.浙江大学 2017
[3]高空间分辨率遥感影像分类研究[D]. 元晨.长安大学 2016
[4]面向对象的高分辨率遥感影像全要素分类研究[D]. 程臻.哈尔滨工业大学 2015
本文编号：3296667
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3296667.html
