基于深度学习的光学遥感图像多标签分类技术研究

发布时间：2024-06-02 03:15

　　近年来,随着遥感和计算机技术的日趋成熟,大批高分辨率、短重访周期的对地观测卫星应运而生,提供了海量优质的遥感数据,其中光学遥感卫星的发展尤为迅速。作为对地观测的主要手段之一,光学遥感图像的科学管理和高效利用至关重要。而对海量的光学遥感图像进行多标签分类能够自动解译图像信息,批量快速生成图像标注,对许多理论研究和实际应用领域都有着极其重要的意义。本文针对深度学习相关的光学遥感多标签分类任务展开研究,主要工作内容和研究成果如下:(1)针对光学遥感图像中复杂形变及标签差异过大的问题,本文开创性地将可变形卷积(Deformable Convolution,DC)单元引入多标签图像分类任务,提取了具有几何不变性和自适应感受野的图像特征,为多标签分类器提供了一种很好的特征表示;(2)将多标签分类问题视作图节点的分类问题,提出了一种显式建模标签相关性、同时预测各类标签的多标签遥感图像分类算法DCN-GNN(Multi-Label Classification with Deformable Convolution and Graph Neural Network),该算法利用语义引导的注意力机制对图...

【文章页数】：83 页

【学位级别】：硕士

【文章目录】：
摘要
Abstract
第1章 绪论
    1.1 课题背景
    1.2 研究内容及意义
    1.3 研究现状
    1.4 本文主要工作
    1.5 本文组织架构
第2章 理论基础及相关技术
    2.1 深度学习相关理论
        2.1.1 人工神经网络
        2.1.2 卷积神经网络
        2.1.3 残差网络
        2.1.4 图神经网络
    2.2 强化学习相关理论
        2.2.1 马尔可夫决策过程
        2.2.2 探索与利用
        2.2.3 Q-学习与深度Q-学习算法
    2.3 自然图像的多标签图像分类相关技术
        2.3.1 多标签图像分类传统方法
        2.3.2 基于深度学习的多标签图像分类算法
    2.4 光学遥感图像的多标签分类相关技术
    2.5 本章小结
第3章 基于图神经网络的光学遥感图像多标签分类
    3.1 问题定义
    3.2 研究动机及思路
    3.3 算法描述
        3.3.1 基于可变形卷积的图像特征提取模块
        3.3.2 基于注意力机制的图像语义解耦模块
        3.3.3 基于门控图神经网络的语义交互模块
        3.3.4 分类器模块
    3.4 本章小结
第4章 基于深度强化学习的遥感图像多标签分类
    4.1 研究动机及思路
    4.2 算法描述
        4.2.1 多标签图像分类场景下的马尔可夫过程
        4.2.2 基于深度-Q学习的遥感图像多标签分类算法
    4.3 本章小结
第5章 实验分析与讨论
    5.1 实验数据集
        5.1.1 UC-Merced数据集
        5.1.2 DOTA数据集
    5.2 数据预处理
    5.3 评价指标
    5.4 实验设置
        5.4.1 实验环境
        5.4.2 实现细节
    5.5 实验结果与分析
        5.5.1 对比实验
        5.5.2 可视化实验
    5.6 本章小结
第6章 总结与展望
参考文献
攻读硕士学位期间主要的研究成果
致谢



本文编号：3986770