基于半监督多尺度深度神经网络的遥感图像分类
发布时间：2022-01-13 16:34
遥感技术为人们探索世界提供了便利的技术,这一门技术可以针对不同的目标和任务选用不同的探测波段,从太空中快速地对目标区域进行大范围的监测,获取实时信息从而扩展人类的视觉范围。因此它被广泛应用到很多领域例如医学、农学、地质和军事等领域。然而在遥感图像分类领域仍存在一些问题:如可用于分类器训练的有标记数据数量少且样本类别不均衡,这对分类器性能提出了很高的要求;另外,由于遥感图像的特殊成像机制使得它拥有不同于自然图像的特征,因此在设计分类器时如果完全套用深度神经网络而不结合数据特性,则可能导致遥感图像信息的浪费和滥用。本文基于此难题,对遥感图像分类问题进行了深入研究,取得的主要成果有:1.提出了一种基于多尺度全卷积神经网络的极化SAR图像分类方法。该方法结合多尺度波和深度语义分割网络,提出了一种新的分类网络非下采样轮廓波全卷积神经网络。另外,针对小场景的极化SAR图像数据量少的问题,我们也相应地设计了轻量级的非下采样轮廓波全卷积神经网络。在三组公开数据集上,与多种方法进行对比得到的实验结果证明本章提出的模型可以提取极化SAR图像多尺度的深度特征,从而提升分类精度;同时,这些模型无需像传统CNN...
【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】：107 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 研究背景和意义
1.2 遥感图像分类研究现状分析
1.2.1 极化SAR图像研究现状
1.2.2 高光谱图像研究现状
1.3 理论基础
1.3.1 极化SAR图像理论基础
1.3.2 高光谱图像理论基础
1.3.3 图像分类评价指标
1.4 本文研究内容与创新
第二章 基于多尺度全卷积神经网络的极化SAR图像分类
2.1 非下采样轮廓波理论基础
2.2 全卷积神经网络
2.2.1 网络概述
2.2.2 网络特点
2.3 基于多尺度全卷积神经网络的极化SAR图像分类
2.3.1 非下采样轮廓波全卷积神经网络
2.3.2 基于NSCT-FCN的极化SAR图像分类步骤
2.4 实验结果及分析
2.4.1 数据介绍
2.4.2 结果分析
2.5 本章小结
第三章 基于双通道网络的高光谱图像空-谱特征融合分类
3.1 循环神经网络
3.2 卷积神经网络
3.3 多核学习
3.4 基于双通道网络的高光谱图像空-谱特征融合分类
3.4.1 基于RNN的光谱特征提取
3.4.2 基于NSCT-CNN的多尺度空间特征提取
3.4.3 基于多核学习的空-谱特征融合分类
3.4.4 基于MSDCN的高光谱图像分类步骤
3.5 实验结果及分析
3.5.1 数据介绍
3.5.2 结果分析
3.6 本章小结
第四章 基于MDCPE协同训练算法的高光谱图像分类
4.1 协同训练理论基础
4.1.1 协同训练概述
4.1.2 类概率估计多样性算法
4.2 改进类概率估计多样性算法
4.3 基于MDCPE的高光谱图像分类步骤
4.4 实验结果及分析
4.4.1 数据介绍
4.4.2 参数设置
4.4.3 分类结果
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]高光谱遥感技术的发展与应用现状[J]. 杨国鹏,余旭初,冯伍法,刘伟,陈伟. 测绘通报. 2008(10)
博士论文
[1]极化SAR图像分类技术研究[D]. 吴永辉.国防科学技术大学 2007
硕士论文
[1]基于散射特征的全卷积网络极化SAR图像地物分类[D]. 高丽丽.西安电子科技大学 2018
[2]高光谱图像的特征提取与分类识别方法研究[D]. 吉春蕊.西安电子科技大学 2018
[3]基于轮廓波DCGAN的极化SAR图像地物分类[D]. 张婷.西安电子科技大学 2018
[4]基于深度卷积神经网络的高光谱图像分类[D]. 徐敏.西安电子科技大学 2017
[5]基于语义特征和递归神经网络的高光谱图像分类[D]. 姜凯.西安电子科技大学 2017
[6]基于深度轮廓波卷积神经网络的遥感图像地物分类[D]. 马丽媛.西安电子科技大学 2017
[7]基于稀疏表示的半监督高光谱图像分类算法[D]. 王静静.西安电子科技大学 2017
[8]结合协同训练的深度图像分类网络[D]. 吴秦龙.南京邮电大学 2016
[9]高光谱图像流形学习算法研究[D]. 卢雨风.电子科技大学 2016
[10]极化SAR图像分类研究[D]. 吕宏昌.西安电子科技大学 2015
本文编号：3586781
【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】：107 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 研究背景和意义
1.2 遥感图像分类研究现状分析
1.2.1 极化SAR图像研究现状
1.2.2 高光谱图像研究现状
1.3 理论基础
1.3.1 极化SAR图像理论基础
1.3.2 高光谱图像理论基础
1.3.3 图像分类评价指标
1.4 本文研究内容与创新
第二章 基于多尺度全卷积神经网络的极化SAR图像分类
2.1 非下采样轮廓波理论基础
2.2 全卷积神经网络
2.2.1 网络概述
2.2.2 网络特点
2.3 基于多尺度全卷积神经网络的极化SAR图像分类
2.3.1 非下采样轮廓波全卷积神经网络
2.3.2 基于NSCT-FCN的极化SAR图像分类步骤
2.4 实验结果及分析
2.4.1 数据介绍
2.4.2 结果分析
2.5 本章小结
第三章 基于双通道网络的高光谱图像空-谱特征融合分类
3.1 循环神经网络
3.2 卷积神经网络
3.3 多核学习
3.4 基于双通道网络的高光谱图像空-谱特征融合分类
3.4.1 基于RNN的光谱特征提取
3.4.2 基于NSCT-CNN的多尺度空间特征提取
3.4.3 基于多核学习的空-谱特征融合分类
3.4.4 基于MSDCN的高光谱图像分类步骤
3.5 实验结果及分析
3.5.1 数据介绍
3.5.2 结果分析
3.6 本章小结
第四章 基于MDCPE协同训练算法的高光谱图像分类
4.1 协同训练理论基础
4.1.1 协同训练概述
4.1.2 类概率估计多样性算法
4.2 改进类概率估计多样性算法
4.3 基于MDCPE的高光谱图像分类步骤
4.4 实验结果及分析
4.4.1 数据介绍
4.4.2 参数设置
4.4.3 分类结果
4.5 本章小结
第五章 总结与展望
5.1 总结
5.2 展望
参考文献
致谢
作者简介
【参考文献】：
期刊论文
[1]高光谱遥感技术的发展与应用现状[J]. 杨国鹏,余旭初,冯伍法,刘伟,陈伟. 测绘通报. 2008(10)
博士论文
[1]极化SAR图像分类技术研究[D]. 吴永辉.国防科学技术大学 2007
硕士论文
[1]基于散射特征的全卷积网络极化SAR图像地物分类[D]. 高丽丽.西安电子科技大学 2018
[2]高光谱图像的特征提取与分类识别方法研究[D]. 吉春蕊.西安电子科技大学 2018
[3]基于轮廓波DCGAN的极化SAR图像地物分类[D]. 张婷.西安电子科技大学 2018
[4]基于深度卷积神经网络的高光谱图像分类[D]. 徐敏.西安电子科技大学 2017
[5]基于语义特征和递归神经网络的高光谱图像分类[D]. 姜凯.西安电子科技大学 2017
[6]基于深度轮廓波卷积神经网络的遥感图像地物分类[D]. 马丽媛.西安电子科技大学 2017
[7]基于稀疏表示的半监督高光谱图像分类算法[D]. 王静静.西安电子科技大学 2017
[8]结合协同训练的深度图像分类网络[D]. 吴秦龙.南京邮电大学 2016
[9]高光谱图像流形学习算法研究[D]. 卢雨风.电子科技大学 2016
[10]极化SAR图像分类研究[D]. 吕宏昌.西安电子科技大学 2015
本文编号：3586781
本文链接：https://www.wllwen.com/kejilunwen/zidonghuakongzhilunwen/3586781.html
