基于深度学习的SAR目标识别与PolSAR分类

发布时间：2021-04-24 12:08

　　随着科技进步,卫星遥感技术发展迅速。遥感图像的数据规模也在不断增大,图像分辨率不断提高。合成孔径雷达（Synthetic Aperture Radar,SAR）以及极化合成孔径雷达（Polarimetric Synthetic Aperture Radar,PolSAR）等遥感数据的解译问题也成为当前人们研究的热点问题。传统的图像处理算法要求研究者设计复杂的特征提取过程,而且面对复杂多样的遥感数据时难以取得很好的效果。随着深度学习与神经网络算法的兴起,深度神经网络被应用到SAR和PolSAR数据的处理中来。但是由于SAR/PolSAR图像与自然图像有很大差异,深度学习算法难以发挥出自身优势。本文针对SAR图像目标识别和PolSAR图像地物分类问题,提出三种新型的深度神经网络模型,并结合实验验证了算法的有效性与先进性。本文的主要内容总结如下:1)提出一种深度记忆卷积神经网络（M-Net）,M-Net在卷积神经网络（Convolutional Neural Network,CNN）的基础上增加了信息记录模块来对样本的特征进行记录,再利用样本特征的空间距离相似度信息,对未知样本的标记进行判断... 

【文章来源】：西安电子科技大学陕西省 211工程院校 教育部直属院校

【文章页数】：89 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
符号对照表
缩略语对照表
第一章 绪论
    1.1 研究背景及意义
        1.1.1 SAR目标识别的研究背景及意义
        1.1.2 PolSAR图像分类的研究背景及意义
    1.2 国内外研究现状
        1.2.1 SAR目标识别的研究现状
        1.2.2 PolSAR图像分类的研究现状
    1.3 本文主要内容与结构安排
第二章 基于深度记忆卷积神经网络和参数迁移的SAR目标识别
    2.1 引言
    2.2 M-Net的结构和训练方式
        2.2.1 网络的总体结构
        2.2.2 卷积神经网络部分
        2.2.3 映射矩阵
        2.2.4 信息记录模块
        2.2.5 网络训练方法
    2.3 实验结果及分析
        2.3.1 数据集及评价指标
        2.3.2 参数敏感性分析
        2.3.3 SOC实验结果及分析
        2.3.4 EOC实验结果及分析
        2.3.5 算法复杂度分析
        2.3.6 网络结构分析
        2.3.7 复杂场景下的目标识别
    2.4 本章小节
第三章 基于深度可分离卷积和密集连接神经网络的PolSAR分类
    3.1 引言
    3.2 SDNet的结构与方法
        3.2.1 PolSAR数据的分解
        3.2.2 密集连接与网络结构
        3.2.3 深度可分离卷积
        3.2.4 激活函数和池化
        3.2.5 训练方式和参数
    3.3 实验结果及分析
        3.3.1 实验数据集简介
        3.3.2 Flevoland数据集测试实验
        3.3.3 德国地区数据集测试实验
        3.3.4 真实类标图的影响
        3.3.5 运行时间分析
    3.4 本章小结
第四章 基于空间特征卷积神经网络的PolSAR地物分类
    4.1 引言
    4.2 SF-CNN的结构与方法
        4.2.1 网络的训练过程
        4.2.2 损失函数
        4.2.3 网络的测试过程
        4.2.4 网络设置
    4.3 实验结果及分析
        4.3.1 对比算法与数据集简介
        4.3.2 旧金山地区数据集测试实验
        4.3.3 西安地区数据集测试实验
        4.3.4 Flevoland地区数据集测试实验
    4.4 本章小结
第五章 总结与展望
    5.1 工作总结
    5.2 展望
参考文献
致谢
作者简介



本文编号：3157332