基于Faster RCNN的遥感影像分类研究

发布时间：2021-01-09 01:28

　　在卫星遥感和软硬件技术的不断发展中,遥感影像检测中有越来越多的计算机视觉方法和深度学习方法被应用。遥感影像与自然影像相比发展要缓慢得多,因为遥感影像的尺寸较大、包含的信息复杂繁多、对比度不高、前景和背景易混淆。近年来,人工智能技术开始井喷式发展,这就给遥感影像的发展带来了希望。Hinton课题组在2012年首次参加了Image Net图像识别比赛,他们创造的名为Alex Net[1]的卷积神经网络在这次比赛中成功取得第一,而且分类精度远远优于这次比赛的第二名（SVM[2]方法）,他们成功地证明了深度学习在图像识别中的潜力。因为这次图像识别的大赛,卷积神经网络正式进入到了许多研究人员的视线里,从而开始了卷积神经网络的研究潮流。后来,Girshick等人又在2014年提出了一种图像检测的模型——R CNN[3]（Regions with Convolutional Neural Network Features）,这个模型成为了深度学习在图像检测领域的基础。在随后的一年多里,这个团队又相机提出了Fast RCNN[4]和Faster RCNN[5]这两个模型,打下了双阶段图像检测的基础,尤... 

【文章来源】：广东工业大学广东省

【文章页数】：75 页

【学位级别】：硕士

【部分图文】：

感知机基本结构

图 2.2 Sigmoid 函数图像Figure 2.2 Sigmoid function image数的图像中观察到，它的输出在开区间(0，1)内，合作为输出层使用。但是，这个函数本身有一定的数的梯度就会无限靠近零点，在反向传递中，为了式求导法则。当反向传递经过 Sigmoid 的计算后，导致梯度消失问题。Glorot 的研究表明，使用 Sig递的过程中，产生梯度消失的问题非常普遍，一般双曲正切函数，是非线性激活函数，在神经网络中式(2.3)表示：tanh(x) =1 1 +(2.3)

Figure 2.2 Sigmoid function image数的图像中观察到，它的输出在开区间(0，1)内合作为输出层使用。但是，这个函数本身有一定数的梯度就会无限靠近零点，在反向传递中，为式求导法则。当反向传递经过 Sigmoid 的计算后导致梯度消失问题。Glorot 的研究表明，使用 S递的过程中，产生梯度消失的问题非常普遍，一曲正切函数，是非线性激活函数，在神经网络中式(2.3)表示：tanh(x) =1 1 +(2.3)像如图 2.3 所示。


本文编号：2965702