深度卷积神经网络在遥感影像分类的应用研究
发布时间：2021-05-24 03:33
遥感影像分类是遥感数字处理中至关重要的环节。通过遥感影像分类,遥感影像转换为可被计算机理解并处理的地物分类信息,能够为高层应用提供支持。遥感影像分类使用的传统机器学习方法,需要对数据进行繁重的特征分析和提取工作,不仅对数据表示有相对严格的要求,而且各方法都有其特殊的应用限制,局限性明显。近来发展的深度学习技术能够极大地克服这种局限性。深度卷积神经网络（DCNNs）是图像处理领域表现最为优异的深度学习模型。因为遥感与图像处理技术密切相关,所以借鉴DCNNs在图像处理领域的成功经验,把该技术应用到遥感影像分类究,极具可行性和研究价值。本文主要研究DCNNs在遥感影像分类中的应用,重点研究了如下内容:1)对传统遥感影像分类方法的从原理上进行了研究;分析并总结了监督和非监督算法的优缺点,以便与DCNNs进行比较研究;研究了分类精度评价的原理和几种方法的优缺点,为实验中合理使用这些方法提供理论指导。2)本文从数学原理、网络结构的角度,对人工神经网络和DCNNs进行了研究和分析,重点研究了 DCNNs的关键技术。介绍了 LeNet、AlexNet、GoogleNet、R-CNN以及FCN等模型,以...
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：155 页
【学位级别】：博士
【文章目录】：
中文摘要
Abstract
第1章 引言
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究进展
1.2.1 遥感影像分类智能化技术
1.2.2 DCNNs
1.2.3 DCNNs在遥感影像分类的应用
1.2.4 总结
1.3 研究内容、技术路线及研究方法
1.3.1 研究内容
1.3.2 技术路线
1.3.3 研究方法
1.4 本文的结构安排
第2章 遥感影像分类基本理论及方法
2.1 遥感技术简介
2.2 遥感影像数据格式
2.2.1 多波段通用二进制存储格式
2.2.2 图片格式
2.2.3 格式转换
2.3 遥感影像分类算法
2.3.1 非监督分类算法
2.3.2 监督分类算法
2.4 分类精度评价方法
2.4.1 混淆矩阵
2.4.2 Kappa分析法
2.5 本章小结
第3章 深度卷积神经网络基本理论
3.1 深度学习简介
3.2 深度学习发展史
3.3 人工神经网络
3.3.1 人工神经元
3.3.2 经典激活函数
3.3.3 单隐层前馈神经网络
3.3.4 多隐层前馈神经网络
3.3.5 反向传播算法
3.4 卷积神经网络
3.4.1 卷积的概念
3.4.2 卷积神经网络
3.4.3 DCNNs模型介绍
3.5 本章小结
第4章 深度卷积神经网络关键技术研究
4.1 卷积
4.1.1 二维卷积及互相关
4.1.2 卷积的作用
4.2 梯度下降法的问题及改进算法
4.2.1 梯度下降法的鞍点、极值等问题
4.2.2 带动量梯度下降法
4.2.3 其它改进算法
4.3 激活函数与梯度消失问题
4.3.1 非线性变换
4.3.2 梯度消失问题及解决
4.4 池化
4.5 DCNNs模型设计和训练
4.5.1 误差分析
4.5.2 欠拟合与过拟合
4.5.3 规范化
4.5.4 提前停止
4.5.5 随机失活(Dropout)
4.6 本章小结
第5章 一种复数域的DCNNs模型及SAR影像分类应用
5.1 动机
5.2 数据分析
5.3 基于Patch的DCNNs模型
5.3.1 模型设计原则
5.3.2 设计思路及模型架构
5.3.3 模型处理流程
5.3.4 复数域DCNNs
5.4 实验结果与分析
5.4.1 数据集
5.4.2 实验环境
5.4.3 训练
5.4.4 结果与分析
5.5 本章小结
第6章 一种端到端的DCNNs模型及遥感影像分类应用
6.1 动机
6.2 DCNNs实现语义分割的关键技术
6.2.1 全连接层转换为卷积层
6.2.2 上采样
6.2.3 重构
6.2.4 基于FCN思想的其它模型
6.3 一种端到端的DCNNs模型
6.3.1 需求分析
6.3.2 设计原则
6.3.3 设计思路
6.3.4 设计实现
6.4 实验结果与分析
6.4.1 数据集
6.4.2 实验环境
6.4.3 训练
6.4.4 结果与分析
6.5 本章小结
第7章 结论与认识
7.1 主要工作与结论
7.1.1 主要工作
7.1.2 主要结论
7.2 展望
致谢
参考文献
附录
个人简历
攻读博士期间公开发表的主要学术论文
【参考文献】：
期刊论文
[1]应用监督近邻重构分析的高光谱遥感数据特征提取[J]. 方敏,王君,王红艳,李天涯. 红外与激光工程. 2016(10)
[2]基于多特征融合的遥感图像特征提取方法[J]. 孙红岩. 计算机仿真. 2016(10)
[3]SVM和ANN在多光谱遥感影像分类中的比较研究[J]. 李颖,李耀辉,王金鑫,张成才. 海洋测绘. 2016(05)
[4]联合显著性和多层卷积神经网络的高分影像场景分类[J]. 何小飞,邹峥嵘,陶超,张佳兴. 测绘学报. 2016(09)
[5]非等权距离改进的FCM多波段遥感影像监督分类算法[J]. 张怡然,陈锐,张文婷,贺三维,何青青,王海军. 测绘地理信息. 2016(04)
[6]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥. 测绘学报. 2016(07)
[7]展望大数据时代的地球空间信息学[J]. 李德仁. 测绘学报. 2016(04)
[8]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊. 遥感学报. 2016(02)
[9]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕. 测绘科学. 2016(09)
[10]论时空大数据及其应用[J]. 李德仁,马军,邵振峰. 卫星应用. 2015(09)
博士论文
[1]高光谱数据降维算法研究[D]. 高阳.中国矿业大学 2013
[2]干涉合成孔径雷达条纹图处理技术研究[D]. 龙学军.国防科学技术大学 2012
[3]遥感数据可靠性分类方法研究[D]. 张华.中国矿业大学 2012
[4]基于机器学习方法的高光谱影像分类研究[D]. 杨国鹏.解放军信息工程大学 2010
硕士论文
[1]EM算法研究及其遥感分类应用[D]. 杨红磊.中国地质大学（北京） 2009
本文编号：3203471
【文章来源】：中国地质大学(北京)北京市 211工程院校 教育部直属院校
【文章页数】：155 页
【学位级别】：博士
【文章目录】：
中文摘要
Abstract
第1章 引言
1.1 研究背景和意义
1.1.1 研究背景
1.1.2 研究意义
1.2 国内外研究进展
1.2.1 遥感影像分类智能化技术
1.2.2 DCNNs
1.2.3 DCNNs在遥感影像分类的应用
1.2.4 总结
1.3 研究内容、技术路线及研究方法
1.3.1 研究内容
1.3.2 技术路线
1.3.3 研究方法
1.4 本文的结构安排
第2章 遥感影像分类基本理论及方法
2.1 遥感技术简介
2.2 遥感影像数据格式
2.2.1 多波段通用二进制存储格式
2.2.2 图片格式
2.2.3 格式转换
2.3 遥感影像分类算法
2.3.1 非监督分类算法
2.3.2 监督分类算法
2.4 分类精度评价方法
2.4.1 混淆矩阵
2.4.2 Kappa分析法
2.5 本章小结
第3章 深度卷积神经网络基本理论
3.1 深度学习简介
3.2 深度学习发展史
3.3 人工神经网络
3.3.1 人工神经元
3.3.2 经典激活函数
3.3.3 单隐层前馈神经网络
3.3.4 多隐层前馈神经网络
3.3.5 反向传播算法
3.4 卷积神经网络
3.4.1 卷积的概念
3.4.2 卷积神经网络
3.4.3 DCNNs模型介绍
3.5 本章小结
第4章 深度卷积神经网络关键技术研究
4.1 卷积
4.1.1 二维卷积及互相关
4.1.2 卷积的作用
4.2 梯度下降法的问题及改进算法
4.2.1 梯度下降法的鞍点、极值等问题
4.2.2 带动量梯度下降法
4.2.3 其它改进算法
4.3 激活函数与梯度消失问题
4.3.1 非线性变换
4.3.2 梯度消失问题及解决
4.4 池化
4.5 DCNNs模型设计和训练
4.5.1 误差分析
4.5.2 欠拟合与过拟合
4.5.3 规范化
4.5.4 提前停止
4.5.5 随机失活(Dropout)
4.6 本章小结
第5章 一种复数域的DCNNs模型及SAR影像分类应用
5.1 动机
5.2 数据分析
5.3 基于Patch的DCNNs模型
5.3.1 模型设计原则
5.3.2 设计思路及模型架构
5.3.3 模型处理流程
5.3.4 复数域DCNNs
5.4 实验结果与分析
5.4.1 数据集
5.4.2 实验环境
5.4.3 训练
5.4.4 结果与分析
5.5 本章小结
第6章 一种端到端的DCNNs模型及遥感影像分类应用
6.1 动机
6.2 DCNNs实现语义分割的关键技术
6.2.1 全连接层转换为卷积层
6.2.2 上采样
6.2.3 重构
6.2.4 基于FCN思想的其它模型
6.3 一种端到端的DCNNs模型
6.3.1 需求分析
6.3.2 设计原则
6.3.3 设计思路
6.3.4 设计实现
6.4 实验结果与分析
6.4.1 数据集
6.4.2 实验环境
6.4.3 训练
6.4.4 结果与分析
6.5 本章小结
第7章 结论与认识
7.1 主要工作与结论
7.1.1 主要工作
7.1.2 主要结论
7.2 展望
致谢
参考文献
附录
个人简历
攻读博士期间公开发表的主要学术论文
【参考文献】：
期刊论文
[1]应用监督近邻重构分析的高光谱遥感数据特征提取[J]. 方敏,王君,王红艳,李天涯. 红外与激光工程. 2016(10)
[2]基于多特征融合的遥感图像特征提取方法[J]. 孙红岩. 计算机仿真. 2016(10)
[3]SVM和ANN在多光谱遥感影像分类中的比较研究[J]. 李颖,李耀辉,王金鑫,张成才. 海洋测绘. 2016(05)
[4]联合显著性和多层卷积神经网络的高分影像场景分类[J]. 何小飞,邹峥嵘,陶超,张佳兴. 测绘学报. 2016(09)
[5]非等权距离改进的FCM多波段遥感影像监督分类算法[J]. 张怡然,陈锐,张文婷,贺三维,何青青,王海军. 测绘地理信息. 2016(04)
[6]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥. 测绘学报. 2016(07)
[7]展望大数据时代的地球空间信息学[J]. 李德仁. 测绘学报. 2016(04)
[8]高光谱遥感影像分类研究进展[J]. 杜培军,夏俊士,薛朝辉,谭琨,苏红军,鲍蕊. 遥感学报. 2016(02)
[9]卷积神经网络在高分遥感影像分类中的应用[J]. 曹林林,李海涛,韩颜顺,余凡,顾海燕. 测绘科学. 2016(09)
[10]论时空大数据及其应用[J]. 李德仁,马军,邵振峰. 卫星应用. 2015(09)
博士论文
[1]高光谱数据降维算法研究[D]. 高阳.中国矿业大学 2013
[2]干涉合成孔径雷达条纹图处理技术研究[D]. 龙学军.国防科学技术大学 2012
[3]遥感数据可靠性分类方法研究[D]. 张华.中国矿业大学 2012
[4]基于机器学习方法的高光谱影像分类研究[D]. 杨国鹏.解放军信息工程大学 2010
硕士论文
[1]EM算法研究及其遥感分类应用[D]. 杨红磊.中国地质大学（北京） 2009
本文编号：3203471
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3203471.html
