基于深度学习的海岛变化自动检测方法研究
发布时间：2021-01-03 00:23
我国海域范围广阔,海岛作为海洋的重要组成部分,对我国的海洋生态、海洋经济、国土安全等方面具有重要的意义。然而当前我国在海岛变化检测方法及技术路线方面的探究较少,导致海岛变化检测工作周期长、时延大,现有方法工作量较大,精确度较低。因此,开展海岛变化自动检测的研究势在必行。本文以海岛范围内语义级别的变化检测为目标,构建端到端的遥感影像变化检测网络结构,结合海岛的环境特点、海岛地表覆盖特点、海岛变化检测工作现状,探究可以满足当前海岛监视监测工作实际情况的海岛变化自动检测方法,最终完成与其他变化检测方法的对比实验,并对东海区域内的典型海岛进行变化检测与分析。本文的主要研究内容如下。（1）构建端到端的UNet++变化检测网络,结合多尺度特征融合的深度监督方法,构建二元交叉熵与Dice系数相结合的混合损失函数,基于残差结构与批归一化操作改进卷积块结构。设计激活函数与参数初始化方法,利用热重启的余弦退火方式动态调整学习率以优化模型训练过程。（2）对面向海岛场景的变化自动检测方法进行探究。分析当前海岛变化检测研究背景,探究海岛场景面临的困难与挑战,将变化检测与海岛四项基本要素监视监测相结合,探究各环节...
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
图１．１论文组织结构图??
于梯度学习的卷积神经网络算法，设计了?ＣＮＮ摸??型ＬｅＮｅｔ－５，并成功应用于手写数字的识别，在邮政领域产生了实际的商业价值，??为后续ＣＮＮ的发展奠定了基矗Ｇｅｏｆｆｒｅｙ?Ｅ．?Ｈｉｎｔｏｎ等（２０１２）提出Ａｌｅｘ－Ｎｅｔ，??该模型在备受瞩目的ＩｍａｇｅＮｅｔ图像分类竞赛中取得了突出的成就，自此ＣＮＮ在??计算机视觉领域得到广泛应用。在后续的研究中，涌现出ＶＧＧ－Ｎｅｔｓ、Ｎｅｔｗｏｒｋ－??Ｉｎ－Ｎｅｔｗｏｒｋ等诸多以ＬｅＮｅｔ－５网络模型为基础的优秀神经网络结构。??如图２．１所示为ＬｅＮｅｔ－５网络结构，图中每一个矩形代表一张特征图，分别??用Ｃ、Ｓ、Ｆ表示卷积层、池化层与全连接层，字母后的数字为层数索引。ＣＮＮ??的中间层的基本组成单元包括卷积层、激活函数、池化层、全连接层。其中卷积??层与池化层是神经网络中的典型结构。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??）ＮＰＵＴ?Ｃ１：?ｆｅａｔｕｒｅ?ｍａｐｓ?Ｓ４：?ｆ．?ｍａｐｓ?１６＠５ｘ５??Ｉ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?｜?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２．１?ＬｅＮｅｔ－５网络结构??（１）卷积层??卷积层的作用在于特征提龋在卷积层中，对输入参数根据卷积核与卷积步??长进行卷积操作。卷积是一种局部操作，其基本单元为卷积核（滤波器），通过??卷积核作用于图像的局部区域从而获得所在范围的局部信息。筒单的卷积核可以??学习到图像中边缘、颜色、形状、纹理等基本模式，通过组合各种卷积核，
卷积层主要具有局部连接和权值共享的特点。局部连接的原理在于在图像中??越相近的范围内其相关性则越强，在卷积操作中可以较好的提取出局部的特征。??杈值共享则保征了卷积神经网絡其快速学习的能力Ｑ．??１?１１１?ＵｌＵ?１１??ｏ?Ｔ?ｏ?Ｔ?ｏ?—＿＿?Ｊ?１１２１?ｏ?ＩＴ??丁丁?ｏＬ〇Ｊ?ｉ?￣ｏ￣?／ＴＴＴ￣ｏ￣??ＴＴＴ?ｉｆ＞＾｜?ＴＴＴＴ??ＴＴＴ￣ｏ￣ＴＴ、丨０１１１?〇?丨?ＴＴＴＴ??ｏ?Ｔ?ｏ?ｏ?ｏ?Ｔ??输入层?卷积核?特征图??图２．２卷积操作??（２）汇合层??汇合操作是一种降采样的操作，汇合层不包括需要学习的參数，只需要指走??汇合类型、汇合操作核的大小及步长完成操作。常见的汇合类型包括平均值汇合、??最大值汇合、随机值汇合等。如图２．３所示为最大值汇合操作示意图，最大值汇??合操作对当前区域的对象选取最大值作为降采样的结果。??汇合层仿照人的视觉系统而设计，对输入对象进行降维和抽象ｉ汇合操作使??模型可以更好的关注是否存在某些特征，同时汇合操作使得模型可以抽取更广泛??的特征，显著减小了网络中下一层的输入规模，有效的控制了模型的计算量及参??数大校在一定程度上可以防止过拟合。??Ｔ］?１?２?４??５?６?７?８?６?８??３?２?１?０?３?４??Ｔ］?２?３?Ｔ｜??图２３最大值汇合操作??２．２．２全卷积神经网络??与分类任务中的得到概率结果不词，语义分割是像素缓别的图像分析，需要??将单独的像素映射标签，ＣＮＮ在进行卷积和池化的过程中特征图像的尺＊＃逐渐：??１１??
【参考文献】：
期刊论文
[1]基于遥感的辽宁无居民海岛开发利用情况动态监测[J]. 杨亦宁. 科技创新与应用. 2019(20)
[2]多时相遥感影像变化检测方法综述[J]. 眭海刚,冯文卿,李文卓,孙开敏,徐川. 武汉大学学报(信息科学版). 2018(12)
[3]无居民海岛开发利用适宜性评价——以防城港市六墩岛为例[J]. 叶祖超,孙燕,高劲松,申友利. 海洋环境科学. 2018(06)
[4]基于高分辨率影像的海岛岸线和开发活动变化监测[J]. 张琳琳,周斌,潘玉良,雷惠,王艳莉,吴素云. 科技通报. 2018(07)
[5]海岛保护与开发利用建设的安全管理探讨——以大金山岛保护与开发利用示范工程为例[J]. 韦正峰. 中国工程咨询. 2018(06)
[6]基于高分辨率遥感影像的西沙赵述岛地表覆盖提取与演变分析[J]. 李亚萍,燕琴,刘正军,马毅. 热带海洋学报. 2016(02)
[7]基于PCA的变化向量分析法遥感影像变化检测[J]. 黄维,黄进良,王立辉,胡砚霞,韩鹏鹏. 国土资源遥感. 2016(01)
[8]基于像素比值的面向对象分类后遥感变化检测方法[J]. 唐朴谦,杨建宇,张超,朱德海,苏伟. 遥感信息. 2010(01)
[9]基于贝叶斯网络分类的遥感影像变化检测[J]. 陈雪,马建文,戴芹. 遥感学报. 2005(06)
本文编号：2953938
【文章来源】：浙江大学浙江省 211工程院校 985工程院校 教育部直属院校
【文章页数】：80 页
【学位级别】：硕士
【部分图文】：
图１．１论文组织结构图??
于梯度学习的卷积神经网络算法，设计了?ＣＮＮ摸??型ＬｅＮｅｔ－５，并成功应用于手写数字的识别，在邮政领域产生了实际的商业价值，??为后续ＣＮＮ的发展奠定了基矗Ｇｅｏｆｆｒｅｙ?Ｅ．?Ｈｉｎｔｏｎ等（２０１２）提出Ａｌｅｘ－Ｎｅｔ，??该模型在备受瞩目的ＩｍａｇｅＮｅｔ图像分类竞赛中取得了突出的成就，自此ＣＮＮ在??计算机视觉领域得到广泛应用。在后续的研究中，涌现出ＶＧＧ－Ｎｅｔｓ、Ｎｅｔｗｏｒｋ－??Ｉｎ－Ｎｅｔｗｏｒｋ等诸多以ＬｅＮｅｔ－５网络模型为基础的优秀神经网络结构。??如图２．１所示为ＬｅＮｅｔ－５网络结构，图中每一个矩形代表一张特征图，分别??用Ｃ、Ｓ、Ｆ表示卷积层、池化层与全连接层，字母后的数字为层数索引。ＣＮＮ??的中间层的基本组成单元包括卷积层、激活函数、池化层、全连接层。其中卷积??层与池化层是神经网络中的典型结构。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??）ＮＰＵＴ?Ｃ１：?ｆｅａｔｕｒｅ?ｍａｐｓ?Ｓ４：?ｆ．?ｍａｐｓ?１６＠５ｘ５??Ｉ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?｜?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??图２．１?ＬｅＮｅｔ－５网络结构??（１）卷积层??卷积层的作用在于特征提龋在卷积层中，对输入参数根据卷积核与卷积步??长进行卷积操作。卷积是一种局部操作，其基本单元为卷积核（滤波器），通过??卷积核作用于图像的局部区域从而获得所在范围的局部信息。筒单的卷积核可以??学习到图像中边缘、颜色、形状、纹理等基本模式，通过组合各种卷积核，
卷积层主要具有局部连接和权值共享的特点。局部连接的原理在于在图像中??越相近的范围内其相关性则越强，在卷积操作中可以较好的提取出局部的特征。??杈值共享则保征了卷积神经网絡其快速学习的能力Ｑ．??１?１１１?ＵｌＵ?１１??ｏ?Ｔ?ｏ?Ｔ?ｏ?—＿＿?Ｊ?１１２１?ｏ?ＩＴ??丁丁?ｏＬ〇Ｊ?ｉ?￣ｏ￣?／ＴＴＴ￣ｏ￣??ＴＴＴ?ｉｆ＞＾｜?ＴＴＴＴ??ＴＴＴ￣ｏ￣ＴＴ、丨０１１１?〇?丨?ＴＴＴＴ??ｏ?Ｔ?ｏ?ｏ?ｏ?Ｔ??输入层?卷积核?特征图??图２．２卷积操作??（２）汇合层??汇合操作是一种降采样的操作，汇合层不包括需要学习的參数，只需要指走??汇合类型、汇合操作核的大小及步长完成操作。常见的汇合类型包括平均值汇合、??最大值汇合、随机值汇合等。如图２．３所示为最大值汇合操作示意图，最大值汇??合操作对当前区域的对象选取最大值作为降采样的结果。??汇合层仿照人的视觉系统而设计，对输入对象进行降维和抽象ｉ汇合操作使??模型可以更好的关注是否存在某些特征，同时汇合操作使得模型可以抽取更广泛??的特征，显著减小了网络中下一层的输入规模，有效的控制了模型的计算量及参??数大校在一定程度上可以防止过拟合。??Ｔ］?１?２?４??５?６?７?８?６?８??３?２?１?０?３?４??Ｔ］?２?３?Ｔ｜??图２３最大值汇合操作??２．２．２全卷积神经网络??与分类任务中的得到概率结果不词，语义分割是像素缓别的图像分析，需要??将单独的像素映射标签，ＣＮＮ在进行卷积和池化的过程中特征图像的尺＊＃逐渐：??１１??
【参考文献】：
期刊论文
[1]基于遥感的辽宁无居民海岛开发利用情况动态监测[J]. 杨亦宁. 科技创新与应用. 2019(20)
[2]多时相遥感影像变化检测方法综述[J]. 眭海刚,冯文卿,李文卓,孙开敏,徐川. 武汉大学学报(信息科学版). 2018(12)
[3]无居民海岛开发利用适宜性评价——以防城港市六墩岛为例[J]. 叶祖超,孙燕,高劲松,申友利. 海洋环境科学. 2018(06)
[4]基于高分辨率影像的海岛岸线和开发活动变化监测[J]. 张琳琳,周斌,潘玉良,雷惠,王艳莉,吴素云. 科技通报. 2018(07)
[5]海岛保护与开发利用建设的安全管理探讨——以大金山岛保护与开发利用示范工程为例[J]. 韦正峰. 中国工程咨询. 2018(06)
[6]基于高分辨率遥感影像的西沙赵述岛地表覆盖提取与演变分析[J]. 李亚萍,燕琴,刘正军,马毅. 热带海洋学报. 2016(02)
[7]基于PCA的变化向量分析法遥感影像变化检测[J]. 黄维,黄进良,王立辉,胡砚霞,韩鹏鹏. 国土资源遥感. 2016(01)
[8]基于像素比值的面向对象分类后遥感变化检测方法[J]. 唐朴谦,杨建宇,张超,朱德海,苏伟. 遥感信息. 2010(01)
[9]基于贝叶斯网络分类的遥感影像变化检测[J]. 陈雪,马建文,戴芹. 遥感学报. 2005(06)
本文编号：2953938
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/2953938.html
