小样本的多模态遥感影像融合分类方法

发布时间：2020-11-18 07:00

【摘要】：随着遥感技术的发展,遥感影像空间和时间分辨率不断提高,催生了大量的基于遥感影像数据的分析技术。遥感影像分类技术作为遥感影像研究方法的重要分支,已广泛应用于海洋监测、资源勘探、农业监测、军事识别等领域,为资源的规划、管理和决策提供技术支持。传统的神经网络用于遥感影像分类时,使用全连接层进行运算,计算复杂度高,且训练参数庞大,容易出现过拟合。而基于卷积神经网络的影像分类方法是一种具有局部感知结构的神经网络,可以将图像数据作为输入,逐层的提取由局部到全局的特征,能够有效的进行影像分类。传统卷积神经网络模型的训练需有大量训练数据集,而实际中很难获取大量标注的遥感影像样本,使得遥感影像呈现小样本的特点。截止目前,仍缺乏一种可以有效应用于小样本的遥感影像分类的卷积神经网络。基于此,结合遥感影像多模态特性,本文研究一种小样本的多模态融合方法,实现多模态遥感影像的高精准分类。论文以实现小样本的多模态遥感影像高精度分类为目标,对多模态融合策略进行了深入的研究,针对深度卷积网络训练困难的问题,结合迁移学习方法提出了基于迁移学习的多模态融合分类方法。主要研究内容包括:(1)提出小样本的多模态遥感影像串行融合分类方法针对传统的多模态遥感影像融合分类方法未能充分考虑模态之间相关关系以及模态之间的干扰性的问题,提出串行融合策略的分类方法--MRSIC(Multimodal Remote Sensing Image Classification)。其中,不同模态的高层特征是提高分类精度的重要环节。本文首先采用卷积神经网络提取两种不同分辨率遥感影像的高层特征,并通过构建串行融合策略进行融合,最后,使用融合后的综合特征训练整个分类模型。实验表明MRSIC模型对遥感影像分类的精准度达90.5%。(2)提出小样本的多模态遥感影像并行融合分类方法串行融合分类模型要求两种模态的测试数据必须同时存在的输入到对应的特征提取器中,这对测试人员的专业技能要求高,严重影响MRSIC的应用推广。为此,提出一种并行融合分类方法,记为N-MRSIC(New Multi-modal Remote Sensing Image Classification)。该方法实现了单个模态的测试数据就可以进行分类的高适用性。实验表明N-MRSIC大大减少了测试数据的预处理工作,降低了对使用人员的技术要求,提高了分类方法使用的高适用性和分类精度。(3)提出基于迁移学习的多模态遥感影像融合分类方法针对类别繁多的分类应用,浅层CNN(Convolution Neural Network)的学习能力和影像分析能力难以保证,为此,提出一种复杂的CNN分类模型,但复杂的CNN训练困难。基于此提出结合迁移技术改进的高层特征融合分类方法TMRSIC(Tranfer-learning Multi-modal Remote Sensing Image Classification)。首先在构建的复杂CNN分类模型中引入在大的数据集(ImageNet)上训练好的模型,把前几层的参数固定,修改最后一到两层,用自己的数据去再训练分类模型。实验表明,在训练样本少且样本种类多的挑战下,仅使用迁移的单模态分类模型的准确率达90.3%,T-MRSIC的分类精度可以达到93.3%。通过上述内容的研究,论文取得了一定的研究成果,(1)提出了具有抗干扰性的串行融合分类模型,使得小样本的多模态遥感影像信息互补,从而提高分类精度;(2)为了降低分类模型对测试数据必须同时存在的要求和对测试人员专业知识的要求,提出高适用性的并行融合分类模型;(3)面对复杂CNN模型训练难题,引入参数模型迁移技术,实现小样本的复杂CNN模型的高精准度分类。
【学位授予单位】：上海海洋大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP751
【图文】：

输入可以理解为多维数组的遥感影像 I，核可以理解为由学习算维数组的参数 K。输入如公式（1）所示：( , ) ( * )( , ) ( , ) ( , )m nS i j = I K i j = I m n K i m j n*表示卷积运算过程， i ,j 为遥感影像上的第i行 j 列的像素值， m实数且范围较小。活函数网络中最基本的成分是神经元模型，每个神经元与其他神经元相其他神经元传递过来的输入信号，这些输入信号通过带权重的连元接收到的总输入值将与神经元的阈值进行比较，并通过“激活生神经元的输出。如果不使用激活函数，每层节点的输入都是上一数，卷积神经网络将退化成最原始的感知机，使得网络的逼近能力
【相似文献】

中国期刊全文数据库 前10条

1 侯旭京;;多模态隐喻浅析土味情话——基于综艺节目《非常完美》男女嘉宾对话[J];海外英语;2019年22期

2 王芳;;网络多模态环境下大学生外语学习焦虑及干预策略[J];海外英语;2019年21期

3 黄立鹤;张德禄;;多核并行架构:多模态研究的范式、路径及领域问题之辨[J];外语教学;2019年01期

4 赵雨菲;;近五年我国多模态翻译研究综述[J];农家参谋;2019年04期

5 闫雪锋;;多模态话语视域下“翻转课堂”教学模式的改革与探索——以西安职业技术学院公共基础课为例[J];才智;2019年10期

6 张楠;张海;杨絮;;荷兰开放大学的大数据多模态学习分析研究新进展[J];中国信息技术教育;2019年Z3期

7 杜中全;赵志坚;;基于多模态与跨文化的信息素养培养路径研究[J];情报科学;2019年10期

8 李文;王振华;;司法话语多模态研究的现状与未来[J];上海交通大学学报(哲学社会科学版);2019年05期

9 蒋海燕;;基于学习风格理论的大学英语多模态识读教学[J];桂林师范高等专科学校学报;2019年05期

10 王妤娜;;小学语文渗透儿童哲学教育的多模态教学模式[J];福建基础教育研究;2019年09期

中国博士学位论文全文数据库 前10条

1 王普明;基于特征张量的大数据多模态分析研究[D];华中科技大学;2019年

2 赵维;基于多模态影像数据的脑网络研究[D];湖南师范大学;2019年

3 曹俊亮;水下滑翔机多模态运动控制与路径规划研究[D];上海交通大学;2016年

4 胡敏;多模态靶向纳米探针在微小肝癌的诊断及光热治疗的实验研究[D];南方医科大学;2018年

5 刘曌雯;多模态生物数据分析与挖掘研究[D];西安电子科技大学;2018年

6 张灵均;多模态数据分类的模糊粗糙方法研究[D];天津大学;2017年

7 张淑美;基于数据驱动的复杂多模态过程模态识别及过程监测研究[D];东北大学;2016年

8 屈雯;基于多模态内容分析的多视角视频推荐技术研究[D];东北大学;2015年

9 马腾;基于mVEP和MI多模态脑机接口的关键技术研究[D];电子科技大学;2018年

10 年福东;基于语义先验约束的多媒体特征表示研究[D];安徽大学;2018年

中国硕士学位论文全文数据库 前10条

1 叶萍;多模态话语分析视角下的罗伯特·斯蒂文森儿童诗歌翻译研究[D];四川外国语大学;2019年

2 周凤;中美畅销饮料平面广告多模态隐喻和转喻对比研究[D];四川外国语大学;2019年

3 轩雅莉;外语慕课教学视频中教师影像的多模态话语分析[D];四川外国语大学;2019年

4 麻益通;基于多模态的在线学习情感分析模型设计与实现[D];南京师范大学;2019年

5 徐婧;基于图像和WiFi信号的智能手机多模态位置感知研究[D];南京航空航天大学;2019年

6 冯阳阳;中德啤酒广告中多模态隐喻对比研究[D];湘潭大学;2019年

7 陈越;小学英语多模态词汇教学实证研究[D];宁夏大学;2019年

8 杜金晓;跨域多模态数据分析关键技术研究[D];哈尔滨工业大学;2019年

9 施惠芳;<三联生活周刊>社会热点主题封面的多模态话语分析[D];浙江师范大学;2019年

10 欧夏江;沪教版初中英语教材中多模态资源的使用调查[D];广东技术师范大学;2019年

本文编号：2888447