基于深度学习算法的绿地信息提取及应用研究

发布时间：2020-05-14 04:02

【摘要】：遥感影像所包含的信息丰富,如何利用遥感影像快速、准确地提取地类信息,是遥感技术应用的关键问题之一。绿地信息是城市规划、生态环境监测和治理所需的重要信息。利用遥感影像提取绿地信息时,传统算法的提取精度往往不能满足实际需要,且容易出现错分和漏分现象。随着遥感技术和计算机技术的快速发展,人工智能在遥感影像信息提取中的应用越来越广。如何利用人工智能技术快速、准确地从遥感影像中提取绿地信息,对于城市规划和生态环境监测具有重要的意义。本文基于深度学习算法,结合卷积神经网络的语义分割方法,开展了利用遥感影像进行绿地信息提取的研究。论文的主要研究内容及结论如下:(1)学习和总结了深度学习算法,对卷积神经网络中常用的语义分割算法进行了研究,对FCN、VGG、SegNet和U-Net模型进行探讨,对比分析这些模型的优缺点,为后续研究做准备。(2)论文利用VGG网络的结构,结合U-Net模型,构建了基于VGG结构的U-Net模型的深度学习算法。论文在分析常用的FCN、VGG、SegNet和U-Net模型优缺点的基础上,结合U-Net模型提取精度高且参数计算量低而VGG16模型有利于特征提取但是参数计算量较大的特点,对深度学习的语义分割算法进行改进,构建了基于VGG结构的U-Net模型的深度学习算法。论文将本文构建的模型和常用的FCN、SegNet、U-Net模型开展实验对比分析研究,实验结果表明:基于VGG结构的U-Net模型的绿地信息提取精度优于其它几个模型。(3)在对常用激活函数分析研究的基础上,结合TReLU和ReLU激活函数的优点,构建了针对VGG结构的U-Net模型的组合激活函数。该组合激活函数主要是通过交替使用TReLU和ReLU两个函数来使模型的非线性增强,并通过对参数调整来对负半轴非饱和区间进行控制,从而得到需要的激活值。实验结果表明,该组合激活函数优于其它的常用激活函数,该组合激活函数具有软饱和性及缓解梯度消失的特点,且对噪声也具有更好的鲁棒性。(4)论文采用TReLU和ReLU组合激活函数,结合基于VGG结构的U-Net模型的深度学习算法,用于绿地信息提取研究,构建了基于VGG结构的U-Net模型的绿地信息提取方法。论文对本文构建的绿地信息提取方法和传统的绿地信息提取方法开展了实例对比分析研究,实验结果表明:本文构建的基于VGG结构的U-Net模型的绿地信息提取方法的提取精度更高。
【图文】：

曲线,实验训练,准确率,曲线

参数数值Learning rate 0.001*0.95epochEpoch 15Batch size 1习率（Learning rate）影响权值更新的幅度，如果把学习率设置的过大习率为 1），权重参数很大程度上会错过最优值，最后在接近最优值的附近来回跳动[79]；相反，如果把学习率设置的过小（例如为 10e-6），耗费较长的时间来进行参数的优化，导致算法不能快速的收敛，所以学网络性能非常关键。本文通过多次实验，最后将学习率确定为随迭代次小的迭代值，具体采用的公式如表 3.4 所示；迭代次数（Epoch）影响成本，具体的迭代次数需要根据多次实验以及经验来设置，在设置迭代训练集上的准确率以及损失函数要达到收敛的状态，经过多次的实验次数设置为 15；Batchsize 主要是用来设置每次输入模型的图像数量，要由网络的结构以及硬件 GPU 显存容量来决定，由于本文实验硬件条文的 Batch size 设置为 1，也就是每次输入图片的数量为 1。

变化曲线,实验训练,变化曲线

文用相同的训练集以及测试集对不同的模型进行训练，在训练集上的图 3.14 所示。从图中可以看出 SegNet 模型的训练准确率曲线图一直在变化，没有收敛于某一个值，该模型在 15 次训练内没有收敛的趋势，敛时的次数大于 15 次，这也说明该模型没有其他几个模型的收敛速度快迭代 11 次时趋于收敛状态，，收敛时的精度为 91.3%；比 FCN 模型具有的是 U-Net 模型和 VGG 结构的 U-Net 模型，后者收敛速度较快而且准于 FCN 与 SegNet 两个模型，U-Net 模型在迭代 10 次时就趋于收敛状的准确率为 94.5%，说明该模型具有准确率较高而且训练的时间成本比从图中我们发现收敛速度最快的是本文提出的 VGG 结构的 U-Net 模型命名为 VGG_Unet，该模型在训练 2 次时就趋近收敛，而且收敛时的准确率达到 95.2%。通过对图 3.14 的分析得到在实验训练集上本文提出速度上以及准确率上都比其它的模型好。同模型在训练集上的损失函数如图 3.15 所示：
【学位授予单位】：贵州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：P237

【参考文献】