遥感影像小样本目标识别研究

发布时间：2021-04-27 12:41

　　在将深度学习应用于遥感舰船识别任务中时,通常需要大量训练集数据对深层神经网络参数进行调节,但由于遥感舰船影像的获取通常需要消耗大量人力物力,因此,如何针对遥感舰船影像小样本目标进行识别成为难点问题之一。而在遥感影像小样本目标识别任务中,如何解决天气场景覆盖面不足的问题是关键。其次,小样本目标识别大多采用度量学习算法,相较于一般深度学习方法,解决了小样本与高纬度之间的问题,但识别速度也有所降低。因此,本文针对上述问题展开研究,主要研究内容如下:（1）针对训练样本不足导致的遥感舰船影像场景覆盖不全问题,本文提出通过图像风格迁移（Image style transfer）方法,将训练集与支持集在不同天气场景上进行扩充,并对关系网络重新训练,以优化网络参数。实验证明,使用了风格迁移的关系网络较原关系网络在识别精度上提高了15%左右,但由于使用风格迁移对支持集进行了扩增,导致识别速度变慢。为解决速度变慢问题,本文将每类遥感舰船支持集图像的高维特征向量,使用K-means算法提取聚类中心,将提取后的高维特征向量聚类中心与测试集图像高维特征向量进行度量学习,大幅减少网络计算量,保证了识别速度。最后通... 

【文章来源】：杭州电子科技大学浙江省

【文章页数】：79 页

【学位级别】：硕士

【文章目录】：
摘要
ABSTRACT
第1章 绪论
    1.1 研究背景和意义
    1.2 国内外研究现状
        1.2.1 传统目标识别方法
        1.2.2 基于深度学习的目标识别
        1.2.3 小样本目标识别
        1.2.4 本章小结
    1.3 本文研究内容及章节安排
第2章 小样本目标识别相关原理及典型算法实现
    2.1 引言
    2.2 遥感影像成像原理介绍
    2.3 CNN卷积神经网络原理介绍
    2.4 典型小样本目标识别算法原理及实现
        2.4.1 基于度量学习的小样本识别方法原理介绍
        2.4.2 基于元学习的小样本识别方法原理介绍
    2.5 小样本目标识别典型方法实现及结果分析
        2.5.1 实验数据集介绍
        2.5.2 实验结果及分析
    2.6 本章小结
第3章 基于关系网络的遥感舰船影像小样本识别方法
    3.1 引言
    3.2 遥感舰船影像小样本目标识别整体方案
        3.2.1 遥感舰船影像小样本天气场景风格迁移
        3.2.2 支持集高维特征向量聚类中心提取
        3.2.3 网络整体结构设计
    3.3 实验及结果分析
        3.3.1 实验数据集
        3.3.2 实验步骤
        3.3.3 实验结果及分析
    3.4 本章小结
第4章 多类别遥感舰船小样本目标识别方法及平台实现
    4.1 引言
    4.2 多类别遥感舰船小样本目标识别方法总体结构设计
        4.2.1 分块策略
        4.2.2 目标类别融合算法
    4.3 实验及结果分析
    4.4 遥感舰船影像小样本目标识别原型平台
        4.4.1 原型平台功能介绍
        4.4.2 原型平台具体使用方法
    4.5 本章小结
第5章 总结与展望
    5.1 总结
    5.2 展望
致谢
参考文献
附录1
附录2


【参考文献】：
博士论文
[1]融合全局和局部信息的度量学习方法研究[D]. 王微.中国科学技术大学 2014



本文编号：3163487