基于数据扩增式深度学习的遥感图像分析
发布时间：2021-09-04 03:16
近年来,深度学习被广泛应用于表征图像的复杂模式中,它有潜力解决遥感领域中一些经典且具有挑战性的问题。典型的深度学习需要内容丰富且数量极大的数据集来训练多层神经网络结构以捕捉遥感图像中的基本特征。然而,与流行的深度学习框架中使用的基准数据集相比,可用的遥感图像数据非常有限,这极大地限制了深度学习模型在遥感图像分析中的性能。为了充分发挥深度学习在遥感小数据图像分析上的性能,本文针对三种不同的遥感图像分析场景（遥感场景图像分类、台风云系预测和溢油分割）,提出了三种数据扩增式深度学习方法。首先,针对遥感场景图像分类,本文提出一种数据扩增方法,实现数据扩增式卷积神经网络。这种数据扩增方法不仅可以提高任意遥感图像数据集的图像数量和完备性,还可以利用扩增的数据集训练深度卷积神经网络,以实现精确地场景图像分类。具体而言,本文提出应用三种基本操作（镜像、平移和旋转）增强任意原始数据集,并使用扩增的数据集训练,从而使深层模型获取更强的表达能力,并通过最近发布的三个遥感数据集验证表明本文所提方法的有效性。其次,针对台风云系预测,本文提出一种新的基于生成对抗网络（Generative Adversarial ...
【文章来源】：中国石油大学(华东)山东省 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
RSSCN7数据
中国石油大学(华东)硕士学位论文17为了进一步验证模型训练的鲁棒性，本节在SAT-4和SAT-6数据集上进行了实验。图2-5(a)[1]和图2-5(b)[1]分别展示了本章提出的数据扩增式CNN模型在这两个数据集上训练和测试50个epoch的场景图像分类精度(Accuracy)曲线。可知，训练曲线和测试曲线紧密贴合，说明了数据扩增操作使深度模型平衡了训练和测试之间的差别，提高了模型的鲁棒性和泛化能力。(a)(b)图2-5数据扩增式CNN模型的训练和测试精确度曲线Fig2-5TrainingandtestingaccuracycurvesofourdataaugmentationenhancedCNNmodelwithrespecttonumberofepochs另外，实验进一步对比了数据扩增式CNN和DeepSat模型[34]的性能，该模型从150个特征中提取了22种用于训练一个DBN分类器。为了对比公平，本章提出的数据扩增式CNN模型使用与DeepSat相同的实验设置，实验结果如表2-6所示。本章提出的数据扩增式CNN模型在SAT-4和SAT-6数据集上的场景图像分类结果(99.127%和99.297%)均优于DeepSat的结果(97.946%和93.916%)。表2-6DeepSat和数据扩增式CNN模型在SAT-4和SAT-6数据集上的分类精确度(%)对比Table2-6PerformancecomparisonofDeepSatandourdataaugmentationenhancedCNNmodelonSAT-4andSAT-6datasetsintermsofclassificationaccuracy(%)方法分类精确度(%)SAT-4SAT-6DeepSat97.94693.916数据扩增式CNN(本方法)99.12799.297
第3章基于生成对抗网络(GAN)的台风云系预测22图3-1基于GAN的台风云系预测模型工作原理Fig3-1PrincipleoftyphoonpredictionmodelbasedonGAN图3-1展示的是基于GAN的台风云系预测模型的工作原理。生成器由为全卷积神经网络，图中生成器和判别器矩形框内的正方形组表示卷积层，判别器矩形框内的粗虚线表示全连接层。历史云图序列作为生成器G的输入，生成器G输出生成的未来云图序列；判别器分别判定输入的未来的云图序列和生成的云图序列的真假，其结果通过反向传播驱动整个GAN网络的优化。最终，判别器D无法区分生成器G生成的未来云图序列的真假。本模型充分利用了台风云图序列的“全时空”信息。在“时间”维度，以历史云图序列为训练数据，学习台风的时间演化过程；在“空间”维度，将云图的全部像素作为模型的输入和输出基本单元，充分考虑全部空间信息。本模型的“全时空”分析突破了目前台风云图分析中仅分析单张云图中台风局部特性的局限，为台风预测提供更完备的可视化信息。3.1.2多尺度网络结构为提高生成卫星云图的清晰度，本章使用多尺度生成器和判别器，每一个尺度的生成器和判别器都遵循图3-1中的工作原理。本小节将介绍多尺度生成器和判别器的网络结构。多尺度结构的生成器具备由模糊到清晰的图像生成能力，其结构如图3-2所示。图3-2多尺度生成器说明Fig3-2Multi-scalegenerator判别器D真/假真实的未来云图序列生成器G历史云图序列判别器D真/假生成的未来云图序列+
【参考文献】：
期刊论文
[1]利用DCNN融合特征对遥感图像进行场景分类[J]. 王振国,陈宏宇,徐文明. 电子设计工程. 2018(01)
[2]结合深度学习与条件随机场的遥感图像分类[J]. 夏梦,曹国,汪光亚,尚岩峰. 中国图象图形学报. 2017(09)
[3]相位一致性的SAR图像溢油分割算法研究[J]. 林宜琛,傅兴玉,王峰,尤红建. 测绘科学. 2016(03)
[4]基于先验特征的台风云系影像分割方法研究[J]. 廖小露,田玉刚,刘嘉. 国土资源遥感. 2011(03)
[5]多特征-谱聚类的SAR图像溢油分割[J]. 张伟伟,薄华,王晓峰. 智能系统学报. 2010(06)
[6]基于红外卫星云图的台风中心自动定位方法研究[J]. 李妍,陈希,费树岷. 红外. 2010(03)
[7]利用云导风矢量的台风中心自动定位[J]. 刘正光,喻远飞,吴冰,刘还珠. 气象学报. 2003(05)
[8]基于卫星云图的无眼台风中心定位算法[J]. 刘正光,邱海明,吴冰,刘还珠. 天津大学学报. 2003(06)
[9]9711号台风及伴生暴雨的卫星云图特征[J]. 马岚,郑新江,罗敬宁. 国土资源遥感. 1998(01)
博士论文
[1]基于SAR图像的海面溢油检测研究[D]. 冯景.北京理工大学 2015
[2]基于水平集和模糊聚类方法的图像分割技术研究[D]. 李传龙.大连海事大学 2012
硕士论文
[1]基于多路分层稀疏编码的遥感图像场景分类[D]. 鲍珍珍.西安电子科技大学 2014
[2]基于信息熵的气象卫星云图台风分割方法研究[D]. 陈禹良.哈尔滨工程大学 2013
[3]基于气象卫星云图的云类识别及台风分割和中心定位研究[D]. 余建波.武汉理工大学 2008
本文编号：3382449
【文章来源】：中国石油大学(华东)山东省 211工程院校 教育部直属院校
【文章页数】：70 页
【学位级别】：硕士
【部分图文】：
RSSCN7数据
中国石油大学(华东)硕士学位论文17为了进一步验证模型训练的鲁棒性，本节在SAT-4和SAT-6数据集上进行了实验。图2-5(a)[1]和图2-5(b)[1]分别展示了本章提出的数据扩增式CNN模型在这两个数据集上训练和测试50个epoch的场景图像分类精度(Accuracy)曲线。可知，训练曲线和测试曲线紧密贴合，说明了数据扩增操作使深度模型平衡了训练和测试之间的差别，提高了模型的鲁棒性和泛化能力。(a)(b)图2-5数据扩增式CNN模型的训练和测试精确度曲线Fig2-5TrainingandtestingaccuracycurvesofourdataaugmentationenhancedCNNmodelwithrespecttonumberofepochs另外，实验进一步对比了数据扩增式CNN和DeepSat模型[34]的性能，该模型从150个特征中提取了22种用于训练一个DBN分类器。为了对比公平，本章提出的数据扩增式CNN模型使用与DeepSat相同的实验设置，实验结果如表2-6所示。本章提出的数据扩增式CNN模型在SAT-4和SAT-6数据集上的场景图像分类结果(99.127%和99.297%)均优于DeepSat的结果(97.946%和93.916%)。表2-6DeepSat和数据扩增式CNN模型在SAT-4和SAT-6数据集上的分类精确度(%)对比Table2-6PerformancecomparisonofDeepSatandourdataaugmentationenhancedCNNmodelonSAT-4andSAT-6datasetsintermsofclassificationaccuracy(%)方法分类精确度(%)SAT-4SAT-6DeepSat97.94693.916数据扩增式CNN(本方法)99.12799.297
第3章基于生成对抗网络(GAN)的台风云系预测22图3-1基于GAN的台风云系预测模型工作原理Fig3-1PrincipleoftyphoonpredictionmodelbasedonGAN图3-1展示的是基于GAN的台风云系预测模型的工作原理。生成器由为全卷积神经网络，图中生成器和判别器矩形框内的正方形组表示卷积层，判别器矩形框内的粗虚线表示全连接层。历史云图序列作为生成器G的输入，生成器G输出生成的未来云图序列；判别器分别判定输入的未来的云图序列和生成的云图序列的真假，其结果通过反向传播驱动整个GAN网络的优化。最终，判别器D无法区分生成器G生成的未来云图序列的真假。本模型充分利用了台风云图序列的“全时空”信息。在“时间”维度，以历史云图序列为训练数据，学习台风的时间演化过程；在“空间”维度，将云图的全部像素作为模型的输入和输出基本单元，充分考虑全部空间信息。本模型的“全时空”分析突破了目前台风云图分析中仅分析单张云图中台风局部特性的局限，为台风预测提供更完备的可视化信息。3.1.2多尺度网络结构为提高生成卫星云图的清晰度，本章使用多尺度生成器和判别器，每一个尺度的生成器和判别器都遵循图3-1中的工作原理。本小节将介绍多尺度生成器和判别器的网络结构。多尺度结构的生成器具备由模糊到清晰的图像生成能力，其结构如图3-2所示。图3-2多尺度生成器说明Fig3-2Multi-scalegenerator判别器D真/假真实的未来云图序列生成器G历史云图序列判别器D真/假生成的未来云图序列+
【参考文献】：
期刊论文
[1]利用DCNN融合特征对遥感图像进行场景分类[J]. 王振国,陈宏宇,徐文明. 电子设计工程. 2018(01)
[2]结合深度学习与条件随机场的遥感图像分类[J]. 夏梦,曹国,汪光亚,尚岩峰. 中国图象图形学报. 2017(09)
[3]相位一致性的SAR图像溢油分割算法研究[J]. 林宜琛,傅兴玉,王峰,尤红建. 测绘科学. 2016(03)
[4]基于先验特征的台风云系影像分割方法研究[J]. 廖小露,田玉刚,刘嘉. 国土资源遥感. 2011(03)
[5]多特征-谱聚类的SAR图像溢油分割[J]. 张伟伟,薄华,王晓峰. 智能系统学报. 2010(06)
[6]基于红外卫星云图的台风中心自动定位方法研究[J]. 李妍,陈希,费树岷. 红外. 2010(03)
[7]利用云导风矢量的台风中心自动定位[J]. 刘正光,喻远飞,吴冰,刘还珠. 气象学报. 2003(05)
[8]基于卫星云图的无眼台风中心定位算法[J]. 刘正光,邱海明,吴冰,刘还珠. 天津大学学报. 2003(06)
[9]9711号台风及伴生暴雨的卫星云图特征[J]. 马岚,郑新江,罗敬宁. 国土资源遥感. 1998(01)
博士论文
[1]基于SAR图像的海面溢油检测研究[D]. 冯景.北京理工大学 2015
[2]基于水平集和模糊聚类方法的图像分割技术研究[D]. 李传龙.大连海事大学 2012
硕士论文
[1]基于多路分层稀疏编码的遥感图像场景分类[D]. 鲍珍珍.西安电子科技大学 2014
[2]基于信息熵的气象卫星云图台风分割方法研究[D]. 陈禹良.哈尔滨工程大学 2013
[3]基于气象卫星云图的云类识别及台风分割和中心定位研究[D]. 余建波.武汉理工大学 2008
本文编号：3382449
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3382449.html
