基于深度学习的遥感图像场景分类研究
发布时间：2022-02-11 19:14
随着卫星及无人机等各种对地观测平台系统的快速发展,获取大量高分辨率遥感图像变得越来越容易。这些高分辨率图像已成为各种遥感图像解译任务的重要数据来源。遥感图像场景分类是根据遥感图像内容将其自动分成预先定义的语义类别的过程,该过程必须弥合遥感图像的低层特征与更具区别性的高层语义信息之间的“语义鸿沟”。为了改善“语义鸿沟”问题并提高场景分类精度,本文利用深度学习获得更有判别性的特征,进行有监督、半监督和无监督的遥感场景分类研究和遥感图像超分辨率研究。几个数据集上的大量实验表明,这些方法有效地提高了场景分类精度。本文的主要工作和创新如下:（1）针对地物类型多样、背景复杂、类内多样性和类间相似性的遥感场景图像,提出两种更有判别性的特征提取模型以提高场景分类精度。第一种是基于显著性双注意残差网络模型,该模型将空间注意嵌入到深度残差网络的低级特征提取跨空间的显著性位置,将通道注意嵌入到高级特征提取跨通道的显著性语义。第二种模型使用预训练的Inception V3网络分支、有监督对比学习和门控自注意模块来提取更有判别性的特征表示以提高场景分类精度。（2）针对有标签的遥感图像数量不足的问题,提出一种基于...
【文章来源】：重庆邮电大学重庆市
【文章页数】：134 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状与存在的问题
1.2.1 国内外研究现状
1.2.2 目前存在的问题
1.3 本文研究的主要内容
1.4 论文结构安排
2 遥感图像场景分类的相关技术
2.1 遥感场景图像的特征
2.2 遥感场景分类常用数据集
2.3 深度神经网络基本理论
2.3.1 深度神经网络构成
2.3.2 深度神经网络的训练过程
2.3.3 典型深度学习模型介绍
2.4 基于深度神经网络的遥感场景分类过程
2.4.1 数据预处理
2.4.2 模型训练
2.4.3 分类预测
2.5 本章小结
3 基于深度判别性特征提取的有监督遥感场景分类模型
3.1 引言
3.2 基于显著性双注意残差网络的遥感场景分类模型
3.2.1 残差注意网络
3.2.2 SDARes Net网络模型
3.2.3 实验结果及分析
3.3 基于有监督对比学习的遥感场景分类模型
3.3.1 有监督对比损失
3.3.2 SCRSISC网络模型
3.3.3 实验结果及分析
3.4 本章小结
4 基于生成对抗网络的半监督遥感图像场景分类模型
4.1 引言
4.2 基于生成对抗网络的半监督图像分类原理
4.3 SAGGAN网络模型
4.3.1 门控单元
4.3.2 自注意门控模块
4.4 实验结果与分析
4.4.1 实验设置
4.4.2 不同模型的精度评估
4.4.3 消融实验
4.4.4 收敛性分析
4.5 本章小结
5 基于自监督生成对抗网络的遥感图像场景分类模型
5.1 引言
5.2 基于相似性损失的自监督GANs的原理
5.3 SGSAGAN网络模型
5.3.1 金字塔卷积
5.3.2 门控自注意模块
5.3.3 谱归一化和多级特征融合
5.4 实验结果与分析
5.4.1 实验设置
5.4.2 自监督学习的实施过程
5.4.3 不同模型的精度评估
5.4.4 消融实验
5.4.5 SGSAGAN与预训练及微调模型的精度评估
5.4.6 SGSAGAN与有监督模型的精度评估
5.5 本章小结
6 基于级联生成对抗网络的遥感图像超分辨模型
6.1 引言
6.2 CGAN网络模型
6.2.1 CGAN的网络结构
6.2.2 损失函数定义
6.2.3 噪声抑制和边缘增强
6.3 算法优化和理论分析
6.3.1 算法和优化
6.3.2 梯度消失分析
6.3.3 训练的稳定性分析
6.4 实验结果与分析
6.4.1 实验设置与评估方法
6.4.2 不同模型的超分辨结果
6.4.3 不同模型的生成性能评估
6.4.4 超分辨结果用于场景分类
6.4.5 超分辨结果的主观评估
6.4.6 消融实验
6.5 本章小结
7 总结与展望
7.1 工作总结
7.2 工作展望
参考文献
致谢
附录
A.作者在攻读博士学位期间发表的论文目录
B.作者在攻读博士学位期间主持和参与的科研项目
【参考文献】：
期刊论文
[1]联合多尺度多特征的高分遥感图像场景分类[J]. 黄鸿,徐科杰,石光耀. 电子学报. 2020(09)
[2]基于深度多分支特征融合网络的光学遥感场景分类[J]. 张桐,郑恩让,沈钧戈,高安同. 光子学报. 2020(05)
[3]高分辨率光学遥感场景分类的深度度量学习方法[J]. 叶利华,王磊,张文文,李永刚,王赠凯. 测绘学报. 2019(06)
[4]卷积神经网络迁移的高分影像场景分类学习[J]. 李冠东,张春菊,王铭恺,张雪英,高飞. 测绘科学. 2019(04)
[5]高分系列遥感卫星 布设中国太空“慧眼”——我国高分专项建设回眸[J]. 曹福成. 中国军转民. 2015(01)
博士论文
[1]面向高分辨率遥感影像场景分类的深度卷积神经网络方法[D]. 刘艳飞.武汉大学 2019
[2]基于特征学习的高分辨率遥感图像场景分类研究[D]. 胡凡.武汉大学 2017
本文编号：3620811
【文章来源】：重庆邮电大学重庆市
【文章页数】：134 页
【学位级别】：博士
【文章目录】：
摘要
ABSTRACT
1 绪论
1.1 研究背景与意义
1.2 国内外研究现状与存在的问题
1.2.1 国内外研究现状
1.2.2 目前存在的问题
1.3 本文研究的主要内容
1.4 论文结构安排
2 遥感图像场景分类的相关技术
2.1 遥感场景图像的特征
2.2 遥感场景分类常用数据集
2.3 深度神经网络基本理论
2.3.1 深度神经网络构成
2.3.2 深度神经网络的训练过程
2.3.3 典型深度学习模型介绍
2.4 基于深度神经网络的遥感场景分类过程
2.4.1 数据预处理
2.4.2 模型训练
2.4.3 分类预测
2.5 本章小结
3 基于深度判别性特征提取的有监督遥感场景分类模型
3.1 引言
3.2 基于显著性双注意残差网络的遥感场景分类模型
3.2.1 残差注意网络
3.2.2 SDARes Net网络模型
3.2.3 实验结果及分析
3.3 基于有监督对比学习的遥感场景分类模型
3.3.1 有监督对比损失
3.3.2 SCRSISC网络模型
3.3.3 实验结果及分析
3.4 本章小结
4 基于生成对抗网络的半监督遥感图像场景分类模型
4.1 引言
4.2 基于生成对抗网络的半监督图像分类原理
4.3 SAGGAN网络模型
4.3.1 门控单元
4.3.2 自注意门控模块
4.4 实验结果与分析
4.4.1 实验设置
4.4.2 不同模型的精度评估
4.4.3 消融实验
4.4.4 收敛性分析
4.5 本章小结
5 基于自监督生成对抗网络的遥感图像场景分类模型
5.1 引言
5.2 基于相似性损失的自监督GANs的原理
5.3 SGSAGAN网络模型
5.3.1 金字塔卷积
5.3.2 门控自注意模块
5.3.3 谱归一化和多级特征融合
5.4 实验结果与分析
5.4.1 实验设置
5.4.2 自监督学习的实施过程
5.4.3 不同模型的精度评估
5.4.4 消融实验
5.4.5 SGSAGAN与预训练及微调模型的精度评估
5.4.6 SGSAGAN与有监督模型的精度评估
5.5 本章小结
6 基于级联生成对抗网络的遥感图像超分辨模型
6.1 引言
6.2 CGAN网络模型
6.2.1 CGAN的网络结构
6.2.2 损失函数定义
6.2.3 噪声抑制和边缘增强
6.3 算法优化和理论分析
6.3.1 算法和优化
6.3.2 梯度消失分析
6.3.3 训练的稳定性分析
6.4 实验结果与分析
6.4.1 实验设置与评估方法
6.4.2 不同模型的超分辨结果
6.4.3 不同模型的生成性能评估
6.4.4 超分辨结果用于场景分类
6.4.5 超分辨结果的主观评估
6.4.6 消融实验
6.5 本章小结
7 总结与展望
7.1 工作总结
7.2 工作展望
参考文献
致谢
附录
A.作者在攻读博士学位期间发表的论文目录
B.作者在攻读博士学位期间主持和参与的科研项目
【参考文献】：
期刊论文
[1]联合多尺度多特征的高分遥感图像场景分类[J]. 黄鸿,徐科杰,石光耀. 电子学报. 2020(09)
[2]基于深度多分支特征融合网络的光学遥感场景分类[J]. 张桐,郑恩让,沈钧戈,高安同. 光子学报. 2020(05)
[3]高分辨率光学遥感场景分类的深度度量学习方法[J]. 叶利华,王磊,张文文,李永刚,王赠凯. 测绘学报. 2019(06)
[4]卷积神经网络迁移的高分影像场景分类学习[J]. 李冠东,张春菊,王铭恺,张雪英,高飞. 测绘科学. 2019(04)
[5]高分系列遥感卫星 布设中国太空“慧眼”——我国高分专项建设回眸[J]. 曹福成. 中国军转民. 2015(01)
博士论文
[1]面向高分辨率遥感影像场景分类的深度卷积神经网络方法[D]. 刘艳飞.武汉大学 2019
[2]基于特征学习的高分辨率遥感图像场景分类研究[D]. 胡凡.武汉大学 2017
本文编号：3620811
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3620811.html
