改进深度胶囊网络的分类模型研究及其应用

发布时间：2023-05-07 13:53

　　深度卷积神经网络(CNN)在特征提取方面拥有强大的效果,因此被广泛应用于图像分类任务中。CNN中的池化层通过模糊掉目标结构部件间的相对位置关系来保证特征的不变性,所以使用CNN进行分类任务需要基于充足的训练样本。但是在遥感场景图像分类任务中,遥感场景图像数据集样本量较少,容易造成模型的过拟合。而且遥感图像存在着目标尺寸多样性、视角特殊性、小目标等特点。这都为CNN进行图像分类带来了难点与挑战。每个类别中的图像在位置和角度上差异较大,所以对于遥感场景数据集而言,如果能学习到特征的空间姿态变换性那就可以在不扩充数据集的情况下提升图像分类的精度。为此,我们提出了one-shot深度胶囊网络来解决这些问题。首先,针对遥感图像存在的目标多尺度、视角特殊性和小目标的问题,提出了使用ResNet50作为预训练模型,并且去除模型中深层的池化层,然后将提取出来的卷积特征转化成胶囊特征,并使用动态路由算法进行传递保证特征信息的完整性,从而学习到空间姿态变换矩阵的方法,通过实验验证了该方法的有效性。其次,针对深度卷积网络在小样本数据集上不能充分学习的问题,提出了将one-shot learning中的孪生网...

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
1 绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 本文主要工作
    1.4 本文组织结构
    1.5 本章小结
2 遥感图像分类基本理论与实验数据
    2.1 遥感图像分类概述
    2.2 遥感图像分类技术
    2.3 深度学习
    2.4 遥感图像实验数据
    2.5 本章小结
3 基于深度残差胶囊网络的图像分类算法
    3.1 常用卷积神经网络的图像分类方法
    3.2 深度残差胶囊网络的遥感图像分类算法
    3.3 实验及实验结果分析
    3.4 本章小结
4 one-shot深度胶囊网络分类模型研究
    4.1 one-shot learning理论技术
    4.2 one-shot深度胶囊网络分类模型
    4.3 实验及其结果分析
    4.4 本章小结
5 基于改进深度胶囊网络的分类模型原型系统
    5.1 系统需求分析
    5.2 系统总体设计
    5.3 系统详细设计
    5.4 本章小结
6 总结与展望
    6.1 总结
    6.2 展望
参考文献
作者简历
学位论文数据集



本文编号：3810698