基于卷积神经网络的遥感图像场景分类研究
发布时间：2021-11-25 06:47
遥感图像中包含的信息非常丰富,能真实地反映地表覆盖情况,是生态环境变化研究、土地资源管理和可持续发展的重要基础。在众多的应用领域当中,通过对遥感图像进行分类来获取地表覆盖情况是最基本也是最广泛的应用,受到越来越多研究者的关注。因为传统“面向像素”和“面向对象”的分类方法已经不能满足遥感图像高层语义分类任务的需要,所以“面向场景”的分类方法逐渐成为遥感图像分类领域热门的研究课题。由于卷积神经网络（Convolutional Neural Network,CNN）在自然图像分类、目标检测等领域取得了巨大成功,把卷积神经网络应用于遥感图像场景分类也成为近些年来的一个研究热点。然而卷积神经网络依然存在一些问题,比如容易产生过拟合、采用基于梯度下降的优化算法容易产生局部最优解、手动调节学习率参数比较耗时等。本文主要研究内容如下:（1）针对卷积神经网络全连接层在训练过程中存在过度训练,导致其泛化性能下降、分类精度不高以及产生过拟合风险等问题,本文提出一种改进策略,通过降低卷积神经网络模型结构复杂度,来缓解模型过拟合的风险。去掉卷积神经网络的全连接层,把卷积神经网络当做特征提取器,把极限学习机（Ex...
【文章来源】：河北地质大学河北省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
本文研究内容关系图
河北地质大学硕士学位论文7第2章相关理论概述卷积神经网络通过局部感受野、权重共享和降采样三种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式的变化具有高度的不变性。卷积神经网络已经在自然图像分类、目标检测等方面取得了巨大的成功，比传统机器学习算法性能更加强大。本章对卷积神经网络的基本结构、极限学习机相关理论、进化策略算法相关理论和梯度下降算法理论进行概述。2.1卷积神经网络基本结构卷积神经网络是在Hubel和Wiesel对猫的视觉皮层上细胞研究的基础上，通过模拟生物大脑皮层结构而特殊设计的含有多隐层的人工神经网络。卷积层、池化层、激活函数层是卷积神经网络的重要组成部分。典型的卷积神经网络结构如图2.1所示，它是Lecun等(1998)提出的应用于字符识别的LeNet-5。图2.1LeNet-5网络结构2.1.1神经元神经元[37]是神经网络中的基本处理单元，其结构通常是有多个输入和一个输出，如下图2.2所示。图2.2神经元结构图
河北地质大学硕士学位论文7第2章相关理论概述卷积神经网络通过局部感受野、权重共享和降采样三种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式的变化具有高度的不变性。卷积神经网络已经在自然图像分类、目标检测等方面取得了巨大的成功，比传统机器学习算法性能更加强大。本章对卷积神经网络的基本结构、极限学习机相关理论、进化策略算法相关理论和梯度下降算法理论进行概述。2.1卷积神经网络基本结构卷积神经网络是在Hubel和Wiesel对猫的视觉皮层上细胞研究的基础上，通过模拟生物大脑皮层结构而特殊设计的含有多隐层的人工神经网络。卷积层、池化层、激活函数层是卷积神经网络的重要组成部分。典型的卷积神经网络结构如图2.1所示，它是Lecun等(1998)提出的应用于字符识别的LeNet-5。图2.1LeNet-5网络结构2.1.1神经元神经元[37]是神经网络中的基本处理单元，其结构通常是有多个输入和一个输出，如下图2.2所示。图2.2神经元结构图
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 孟庆祥,吴玄. 测绘通报. 2019(07)
[2]基于CNN模型的遥感图像复杂场景分类[J]. 张康,黑保琴,李盛阳,邵雨阳. 国土资源遥感. 2018(04)
[3]基于密集卷积网络（DenseNets）的遥感图像分类研究[J]. 李达,李琳,李想. 计算机时代. 2018(10)
[4]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强. 光学学报. 2018(11)
[5]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡. 地球信息科学学报. 2017(11)
[6]基于PSO的CNN算法的改进[J]. 裴子龙,邢进生. 山西师范大学学报(自然科学版). 2017(02)
[7]一种卷积神经网络和极限学习机相结合的人脸识别方法[J]. 余丹,吴小俊. 数据采集与处理. 2016(05)
[8]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]基于深度学习的遥感图像场景分类研究[D]. 柳潜.北京邮电大学 2019
[2]基于卷积神经网络的遥感图像分类的研究[D]. 刘雨桐.湘潭大学 2018
本文编号：3517616
【文章来源】：河北地质大学河北省
【文章页数】：67 页
【学位级别】：硕士
【部分图文】：
本文研究内容关系图
河北地质大学硕士学位论文7第2章相关理论概述卷积神经网络通过局部感受野、权重共享和降采样三种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式的变化具有高度的不变性。卷积神经网络已经在自然图像分类、目标检测等方面取得了巨大的成功，比传统机器学习算法性能更加强大。本章对卷积神经网络的基本结构、极限学习机相关理论、进化策略算法相关理论和梯度下降算法理论进行概述。2.1卷积神经网络基本结构卷积神经网络是在Hubel和Wiesel对猫的视觉皮层上细胞研究的基础上，通过模拟生物大脑皮层结构而特殊设计的含有多隐层的人工神经网络。卷积层、池化层、激活函数层是卷积神经网络的重要组成部分。典型的卷积神经网络结构如图2.1所示，它是Lecun等(1998)提出的应用于字符识别的LeNet-5。图2.1LeNet-5网络结构2.1.1神经元神经元[37]是神经网络中的基本处理单元，其结构通常是有多个输入和一个输出，如下图2.2所示。图2.2神经元结构图
河北地质大学硕士学位论文7第2章相关理论概述卷积神经网络通过局部感受野、权重共享和降采样三种策略，降低了网络模型的复杂度，同时对于平移、旋转、尺度缩放等形式的变化具有高度的不变性。卷积神经网络已经在自然图像分类、目标检测等方面取得了巨大的成功，比传统机器学习算法性能更加强大。本章对卷积神经网络的基本结构、极限学习机相关理论、进化策略算法相关理论和梯度下降算法理论进行概述。2.1卷积神经网络基本结构卷积神经网络是在Hubel和Wiesel对猫的视觉皮层上细胞研究的基础上，通过模拟生物大脑皮层结构而特殊设计的含有多隐层的人工神经网络。卷积层、池化层、激活函数层是卷积神经网络的重要组成部分。典型的卷积神经网络结构如图2.1所示，它是Lecun等(1998)提出的应用于字符识别的LeNet-5。图2.1LeNet-5网络结构2.1.1神经元神经元[37]是神经网络中的基本处理单元，其结构通常是有多个输入和一个输出，如下图2.2所示。图2.2神经元结构图
【参考文献】：
期刊论文
[1]基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 孟庆祥,吴玄. 测绘通报. 2019(07)
[2]基于CNN模型的遥感图像复杂场景分类[J]. 张康,黑保琴,李盛阳,邵雨阳. 国土资源遥感. 2018(04)
[3]基于密集卷积网络（DenseNets）的遥感图像分类研究[J]. 李达,李琳,李想. 计算机时代. 2018(10)
[4]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强. 光学学报. 2018(11)
[5]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡. 地球信息科学学报. 2017(11)
[6]基于PSO的CNN算法的改进[J]. 裴子龙,邢进生. 山西师范大学学报(自然科学版). 2017(02)
[7]一种卷积神经网络和极限学习机相结合的人脸识别方法[J]. 余丹,吴小俊. 数据采集与处理. 2016(05)
[8]深度学习的昨天、今天和明天[J]. 余凯,贾磊,陈雨强,徐伟. 计算机研究与发展. 2013(09)
博士论文
[1]高分辨率遥感影像多尺度纹理、形状特征提取与面向对象分类研究[D]. 黄昕.武汉大学 2009
硕士论文
[1]基于深度学习的遥感图像场景分类研究[D]. 柳潜.北京邮电大学 2019
[2]基于卷积神经网络的遥感图像分类的研究[D]. 刘雨桐.湘潭大学 2018
本文编号：3517616
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3517616.html
