基于卷积神经网络的航摄影像信息识别
发布时间：2021-01-02 21:55
随着神经网络技术不断成熟,影像分辨率不断提高,使得各类影像的信息识别与识别技术受到越来越广泛的关注。近年来,无人机（Unmanned Aerial Vehicle,UAV）航空摄影技术的迅速发展,对信息识别算法和分类提出了更高的标准,传统的识别算法需要对特定的数据集设计合适的特性提取工具。相对于传统的识别算法而言,卷积神经网络能够自动识别导入数据的复杂结构,而且其深层次的结构特性,能够将浅层提取到的简单特性逐层整合为更加适合任务需求的抽象特性。通过对结构的层数以及宽度进行调整即可改变卷积神经网络的学习能力,使得整体构架有着足够的灵活性。本文针对航摄影像的处理需求,提出了基于卷积神经网络的航摄影像信息识别方法。本文实验是基于Tensor Flow机器学习平台开发和改进基于区域卷积神经网络信息识别模型,实现基于航摄影像的目标信息的识别。首先是平台环境搭建与数据集准备,结合Tensor Flow平台的高度灵活性和性能最优化搭载高效率的GPU为实验环境奠定了基础。卷积神经网络模型中包含大量的自由参数,在训练数据偏少的情况下,容易出现过拟合的问题,通过数据扩充的方式不仅能有效的扩充训练样本数量,...
【文章来源】：辽宁科技大学辽宁省
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
航摄影像
辽宁科技大学硕士学位论文7图2.1MP神经元的数学模型Figure2.1MathematicalModelofMPNeurons图2.2Sigmoid函数Figure2.2SigmoidFunction在训练神经网络方面，最常态、最有效的算法肯定为反向传递[27,38]。这是一种有监视学习算法，其运行思路为，准备一组训练学习样本，并表明相应的导入且标记对应的导出。但是，在20世纪80年代末期，反向传递似乎还只是对浅层网络有效，尽管原理上也应对深层网络有效。浅层网络主要是指具备独立隐含层的神经网络，见图2.3所示。深层网络则主要是指具备2个及多个隐含层的神经网络，见图2.4所示。在早期的应用中，大多数多层感知器都只用1个或很少的隐含层，增加隐含层基本没有什么经验上的收益。这现象可以在神经网络的单隐层感知器贴近原理中找到某种解释[39-40]，该原理指出，仅需单隐层感知器包罗的隐含神经元数量充裕，即可以同闭区间上任何精度贴近任意的多变量连续函数。直到1991年的时候，关于多层感知器在增加层数时为什么难学习的问题，才作为深度学习的根本难点，得到了完全的解决。
辽宁科技大学硕士学位论文7图2.1MP神经元的数学模型Figure2.1MathematicalModelofMPNeurons图2.2Sigmoid函数Figure2.2SigmoidFunction在训练神经网络方面，最常态、最有效的算法肯定为反向传递[27,38]。这是一种有监视学习算法，其运行思路为，准备一组训练学习样本，并表明相应的导入且标记对应的导出。但是，在20世纪80年代末期，反向传递似乎还只是对浅层网络有效，尽管原理上也应对深层网络有效。浅层网络主要是指具备独立隐含层的神经网络，见图2.3所示。深层网络则主要是指具备2个及多个隐含层的神经网络，见图2.4所示。在早期的应用中，大多数多层感知器都只用1个或很少的隐含层，增加隐含层基本没有什么经验上的收益。这现象可以在神经网络的单隐层感知器贴近原理中找到某种解释[39-40]，该原理指出，仅需单隐层感知器包罗的隐含神经元数量充裕，即可以同闭区间上任何精度贴近任意的多变量连续函数。直到1991年的时候，关于多层感知器在增加层数时为什么难学习的问题，才作为深度学习的根本难点，得到了完全的解决。
【参考文献】：
期刊论文
[1]结合YOLO检测和语义分割的驾驶员安全带检测[J]. 吴天舒,张志佳,刘云鹏,郭婉妍,王子韬. 计算机辅助设计与图形学学报. 2019(01)
[2]基于空间金字塔池化的深度卷积神经网络多聚焦图像融合[J]. 梅礼晔,郭晓鹏,张俊华,郭正红,肖佳. 云南大学学报(自然科学版). 2019(01)
[3]基于局部保留降维卷积神经网络的高光谱图像分类算法[J]. 齐永锋,李发勇. 农业机械学报. 2019(03)
[4]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭. 清华大学学报(自然科学版). 2019(02)
[5]多层前向人工神经网络图像分类算法[J]. 顾哲彬,曹飞龙. 计算机科学. 2018(S2)
[6]基于ImageNet预训练卷积神经网络的遥感图像检索[J]. 葛芸,江顺亮,叶发茂,许庆勇,唐祎玲. 武汉大学学报(信息科学版). 2018(01)
[7]基于深度残差网络的脱机手写汉字识别研究[J]. 张帆,张良,刘星,张宇. 计算机测量与控制. 2017(12)
[8]基于卷积神经网络的高光谱图像谱-空联合分类[J]. 付光远,辜弘炀,汪洪桥. 科学技术与工程. 2017(21)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[10]神经心理学下的潜意识交互设计方法[J]. 刘柏松,辛向阳,刘源. 包装工程. 2016(10)
博士论文
[1]面向交通拥堵预测大数据的神经网络群组快速学习[D]. 沈晴.北京科技大学 2017
硕士论文
[1]基于CNN一体化的目标识别、定位、检测[D]. 饶江浩.中国科学院大学(中国科学院光电技术研究所) 2018
[2]基于计算机视觉的安全辅助驾驶系统[D]. 李林糠.西安电子科技大学 2018
[3]基于卷积神经网络的高分辨率遥感影像建筑物提取[D]. 高扬.南京大学 2018
[4]基于多尺度互特征卷积神经网络的深度图像增强[D]. 廖轩.华南理工大学 2018
[5]基于YOLOv2的实时目标检测研究[D]. 雷维卓.重庆大学 2018
[6]基于深度学习的目标检测服务平台研究与实现[D]. 林昌伟.北京邮电大学 2018
[7]深度神经网络的可视化理解方法研究[D]. 赵新杰.哈尔滨工程大学 2018
[8]超大规模红外探测器与单点冷源的低温耦合研究[D]. 夏晨希.中国科学院大学(中国科学院上海技术物理研究所) 2017
[9]基于卷积神经网络的SAR图像目标检测及分类方法研究[D]. 刘彬.西安电子科技大学 2017
[10]基于卷积神经网络的物体识别研究与实现[D]. 杨眷玉.电子科技大学 2016
本文编号：2953715
【文章来源】：辽宁科技大学辽宁省
【文章页数】：97 页
【学位级别】：硕士
【部分图文】：
航摄影像
辽宁科技大学硕士学位论文7图2.1MP神经元的数学模型Figure2.1MathematicalModelofMPNeurons图2.2Sigmoid函数Figure2.2SigmoidFunction在训练神经网络方面，最常态、最有效的算法肯定为反向传递[27,38]。这是一种有监视学习算法，其运行思路为，准备一组训练学习样本，并表明相应的导入且标记对应的导出。但是，在20世纪80年代末期，反向传递似乎还只是对浅层网络有效，尽管原理上也应对深层网络有效。浅层网络主要是指具备独立隐含层的神经网络，见图2.3所示。深层网络则主要是指具备2个及多个隐含层的神经网络，见图2.4所示。在早期的应用中，大多数多层感知器都只用1个或很少的隐含层，增加隐含层基本没有什么经验上的收益。这现象可以在神经网络的单隐层感知器贴近原理中找到某种解释[39-40]，该原理指出，仅需单隐层感知器包罗的隐含神经元数量充裕，即可以同闭区间上任何精度贴近任意的多变量连续函数。直到1991年的时候，关于多层感知器在增加层数时为什么难学习的问题，才作为深度学习的根本难点，得到了完全的解决。
辽宁科技大学硕士学位论文7图2.1MP神经元的数学模型Figure2.1MathematicalModelofMPNeurons图2.2Sigmoid函数Figure2.2SigmoidFunction在训练神经网络方面，最常态、最有效的算法肯定为反向传递[27,38]。这是一种有监视学习算法，其运行思路为，准备一组训练学习样本，并表明相应的导入且标记对应的导出。但是，在20世纪80年代末期，反向传递似乎还只是对浅层网络有效，尽管原理上也应对深层网络有效。浅层网络主要是指具备独立隐含层的神经网络，见图2.3所示。深层网络则主要是指具备2个及多个隐含层的神经网络，见图2.4所示。在早期的应用中，大多数多层感知器都只用1个或很少的隐含层，增加隐含层基本没有什么经验上的收益。这现象可以在神经网络的单隐层感知器贴近原理中找到某种解释[39-40]，该原理指出，仅需单隐层感知器包罗的隐含神经元数量充裕，即可以同闭区间上任何精度贴近任意的多变量连续函数。直到1991年的时候，关于多层感知器在增加层数时为什么难学习的问题，才作为深度学习的根本难点，得到了完全的解决。
【参考文献】：
期刊论文
[1]结合YOLO检测和语义分割的驾驶员安全带检测[J]. 吴天舒,张志佳,刘云鹏,郭婉妍,王子韬. 计算机辅助设计与图形学学报. 2019(01)
[2]基于空间金字塔池化的深度卷积神经网络多聚焦图像融合[J]. 梅礼晔,郭晓鹏,张俊华,郭正红,肖佳. 云南大学学报(自然科学版). 2019(01)
[3]基于局部保留降维卷积神经网络的高光谱图像分类算法[J]. 齐永锋,李发勇. 农业机械学报. 2019(03)
[4]基于Mask R-CNN的物体识别和定位[J]. 彭秋辰,宋亦旭. 清华大学学报(自然科学版). 2019(02)
[5]多层前向人工神经网络图像分类算法[J]. 顾哲彬,曹飞龙. 计算机科学. 2018(S2)
[6]基于ImageNet预训练卷积神经网络的遥感图像检索[J]. 葛芸,江顺亮,叶发茂,许庆勇,唐祎玲. 武汉大学学报(信息科学版). 2018(01)
[7]基于深度残差网络的脱机手写汉字识别研究[J]. 张帆,张良,刘星,张宇. 计算机测量与控制. 2017(12)
[8]基于卷积神经网络的高光谱图像谱-空联合分类[J]. 付光远,辜弘炀,汪洪桥. 科学技术与工程. 2017(21)
[9]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[10]神经心理学下的潜意识交互设计方法[J]. 刘柏松,辛向阳,刘源. 包装工程. 2016(10)
博士论文
[1]面向交通拥堵预测大数据的神经网络群组快速学习[D]. 沈晴.北京科技大学 2017
硕士论文
[1]基于CNN一体化的目标识别、定位、检测[D]. 饶江浩.中国科学院大学(中国科学院光电技术研究所) 2018
[2]基于计算机视觉的安全辅助驾驶系统[D]. 李林糠.西安电子科技大学 2018
[3]基于卷积神经网络的高分辨率遥感影像建筑物提取[D]. 高扬.南京大学 2018
[4]基于多尺度互特征卷积神经网络的深度图像增强[D]. 廖轩.华南理工大学 2018
[5]基于YOLOv2的实时目标检测研究[D]. 雷维卓.重庆大学 2018
[6]基于深度学习的目标检测服务平台研究与实现[D]. 林昌伟.北京邮电大学 2018
[7]深度神经网络的可视化理解方法研究[D]. 赵新杰.哈尔滨工程大学 2018
[8]超大规模红外探测器与单点冷源的低温耦合研究[D]. 夏晨希.中国科学院大学(中国科学院上海技术物理研究所) 2017
[9]基于卷积神经网络的SAR图像目标检测及分类方法研究[D]. 刘彬.西安电子科技大学 2017
[10]基于卷积神经网络的物体识别研究与实现[D]. 杨眷玉.电子科技大学 2016
本文编号：2953715
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/2953715.html
