基于CNN迁移特征融合与池化的高分辨率遥感图像检索研究

发布时间：2022-01-25 16:45

　　高分辨率遥感图像因具备识别地物能力强的特点,广泛地应用于测绘、环境和生态等各个领域。随着高分辨率遥感图像数量的日益增多,从遥感数据集中快速有效地检索出感兴趣的图像或目标成为遥感图像领域的重要研究方向。高分辨率遥感图像内容复杂,细节信息丰富,提高其检索性能的关键是提取有效特征来准确表达图像的内容。卷积神经网络（Convolutional Neural Network,CNN）能够自动学习图像的特征,并适用于处理内容复杂的高分辨率遥感图像。但是由于目前公开的高分辨率遥感数据集规模偏小,并且难以设置准确的标签来描述图像的复杂内容,导致CNN的参数得不到充分训练,进而影响检索性能。本文结合CNN良好的迁移学习能力,研究将大规模数据集上预训练的CNN迁移到高分辨率遥感图像检索,并针对不同尺寸的输入图像,从特征融合、池化、编码、降维以及微调等多个方面来改进提取的迁移特征,从而提高图像的检索性能。主要研究工作如下:（1）研究从预训练的CNN中提取不同层次的迁移特征用于高分辨率遥感图像检索。将多种预训练的CNN的参数迁移到高分辨率遥感图像中,提取全连接层特征和卷积层特征用于图像检索。实验结果表明,与手... 

【文章来源】：南昌大学江西省 211工程院校

【文章页数】：141 页

【学位级别】：博士

【部分图文】：

高分辨率遥感图像示例

第 1 章 绪论区别较大。但在高分辨率遥感图像中，从直观上比较，建筑物、稠密居等稠密居住区这三类图像并没有很明显的分类界限，稠密居住区和中住区这两类居住区图像也难以区分稠密程度，并不具备明显的代表性 年之前公开的高分辨率遥感数据集都在 5000 幅以内，直到 2017 年，相对较大的高分辨率遥感数据集才被提出，分别是 NWPU-RESISC45[5 类图像，每类 700 幅）和 PatternNet[11]（包含 38 类图像，每类 800，这种规模的数据集相对于 ImageNet 数据集来说还是远远偏小，难以 CNN 的参数。

第 1 章 绪论第五章，基于区域的级联池化方法用于遥感图像检索。在使用较小池化区基础上，提出了一种级联池化的方法，该方法有效地结合了最大池化和均值的优点，从而提取出区分度更好的特征。并对预训练的 CNN 进行微调，使训练的 CNN 更适用于高分辨率遥感图像。本章是针对卷积层特征进行改进是在第四章研究的基础上进一步的深入研究。

【参考文献】：
期刊论文
[1]基于卷积神经网络的光学遥感图像检索[J]. 李宇,刘雪莹,张洪群,李湘眷,孙晓瑶.  光学精密工程. 2018(01)
[2]基于迁移学习的红外图像超分辨率方法研究[J]. 孙超,吕俊伟,刘峰,周仁来.  激光与红外. 2017(12)
[3]基于迁移学习和深度卷积神经网络的乳腺肿瘤诊断系统[J]. 褚晶辉,吴泽蕤,吕卫,李喆.  激光与光电子学进展. 2018(08)
[4]基于深度迁移学习的烟雾识别方法[J]. 王文朋,毛文涛,何建樑,窦智.  计算机应用. 2017(11)
[5]基于卷积神经网络的手势动作雷达识别方法[J]. 王俊,郑彤,雷鹏,张原,樵明朗.  北京航空航天大学学报. 2018(06)
[6]深度卷积神经网络特征提取用于地表覆盖分类初探[J]. 张伟,郑柯,唐娉,赵理君.  中国图象图形学报. 2017(08)
[7]一种具有双层信息损失优化结构的遥感图像检索方法[J]. 彭晏飞,张维,訾玲玲,唐晓亮.  计算机应用研究. 2018(06)
[8]深度学习的半监督遥感图像检索[J]. 张洪群,刘雪莹,杨森,李宇.  遥感学报. 2017(03)
[9]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航.  计算机应用. 2016(09)
[10]基于遗传算法和SVM的遥感图像检索[J]. 彭晏飞,李佳.  小型微型计算机系统. 2016(04)

博士论文
[1]基于迁移学习与深度卷积特征的图像标注方法研究[D]. 宋光慧.浙江大学 2017
[2]缺少控制点的高分辨率卫星遥感影像几何纠正[D]. 张过.武汉大学 2005

硕士论文
[1]基于卷积神经网络的语音识别研究[D]. 梅俊杰.北京交通大学 2017
[2]基于深度局部特征的图像表示方法研究[D]. 陈仕江.清华大学 2016
[3]基于隐马尔可夫树模型与旋转不变性的遥感图像纹理检索方法研究[D]. 苗聪聪.中国矿业大学 2015
[4]基于感知哈希的遥感图像检索方法研究[D]. 郭玮.华中科技大学 2015
[5]全局与局部特征相结合的遥感影像检索方法研究[D]. 刘实.国防科学技术大学 2010



本文编号：3608890