应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究
发布时间：2021-01-07 13:21
土地覆被在城市规划、自然资源管理、环境研究、生物多样性保护等领域具有重要作用,高效准确的提取土地覆被分类信息对于推动经济发展、促进生态文明建设、实现人与自然和谐共荣意义重大。随着遥感平台和传感器技术的迅猛发展,高分辨率遥感影像数据增多并不断应用到商业、农业、林业、畜牧业、矿业等社会经济生活的各个方面,为进行土地覆被精细分类提供了重要支撑。然而高分辨率遥感影像细节被放大,地物特征类型更为复杂,分类难度增加,由此引入具有强大容错能力、特征学习与表达能力的卷积神经网络（Convolutional Neural Networks,CNN）。但由于卷积神经网络模型输出特征高度抽象且仅从基于像元产生的局部影像块中学习深度特征,所以分类结果边界模糊、“椒盐现象”严重。同时基于对象的影像分析方法可以大大减少“椒盐现象”,提高分类性能,但其难以充分挖掘高分辨率遥感影像中丰富的深层特征,制约了土地覆被分类精度的提高。据此,本文提出一种应用特征组合的基于对象卷积神经网络（Object Based Convolutional Neural Network Using Feature Combination,O...
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：104 页
【学位级别】：硕士
【部分图文】：
技术路线图
兰州大学硕士学位论文应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究11第二章原理与方法2.1卷积神经网络卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成，其经典结构如图2-1所示。卷积神经网络模拟人类大脑视觉认知过程，输入层输入原始影像，由卷积层提取特征，并由池化层对特征抽象表达，通过卷积-池化过程的堆叠逐步实现影像地物深层特征挖掘。由于卷积层和池化层输出的都是复杂且抽象的二维特征图，无法直接输入到分类器中进行类别判别，因此需要在分类器前加入全连接层以实现特征从二维到一维的映射和优化。最后将一维特征输入到分类器中完成影像分类。图2-1卷积神经网络的经典结构2.1.1基本组成（1）卷积层基于卷积神经网络稀疏连接和权值共享的策略，卷积层可以高效准确地获取具有平移旋转缩放不变性的影像特征，是卷积神经网络的重要组成之一。卷积层利用多个卷积核对上一层输出特征进行卷积运算，并通过激活函数把输出值映射到一定范围内，最终输出卷积层特征图。卷积核由反向传播算法训练得到，每个卷积核包含不同权值，从而提取输入影像的不同特征。将卷积神经网络原始输入影像记为X，第i层输出的特征图记为Yi，那么X=Y0。假设第i层为卷积层，则其计算过程如公式（2.1）所示。)(1iiiiYYbWf（2.1）其中，f()表示激活函数；i1Y表示第i-1层的特征图；iW表示第i层卷积核权重向
兰州大学硕士学位论文应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究12量；ib表示第i层偏移向量；表示卷积操作。激活函数一般为非线性变换函数，增强了卷积神经网络模型非线性表达和稀疏表达的能力。传统CNN中常用饱和非线性函数作为激活函数，如sigmoid函数（公式（2.2））、tanh函数（公式（2.3））。如图2-2所示，sigmoid函数和tanh函数分别为在值域[0,1]和[-1,1]之间单调递增的光滑函数，其中tanh函数是sigmoid函数的变形。xexf11)(（2.2）xxxxeeeexf)(（2.3）图2-2sigmoid函数和tanh函数曲线然而饱和非线性函数收敛速度慢且梯度易爆炸或消失，因此近几年不饱和非线性函数如ReLU函数[143]被广泛使用。ReLU不依赖无监督逐层预训练而是直接监督训练深度神经网络，通过阈值化进行激活，与sigmoid和tanh函数相比，可以有效解决梯度弥散问题，且训练速度更快[143]。之后，基于ReLU又提出了改进激活函数，如LeakyReLU[144]，ParametricReLU[145]等。ReLU函数的表达式如公式（2.4）所示。xxf),0max()(（2.4）卷积层层数越多提取得到的特征越复杂，一般来说，低层卷积层提取输入影像的角点和边缘等低层次特征，而高层卷积层则可以获取包含清晰语义信息的抽象高级特征，从而极大程度上提高影像分类准确度[146]。（2）池化层通过卷积层获取的特征维数很大，不仅增加计算量而且易产生过拟合问题[43]。
【参考文献】：
期刊论文
[1]1990～2015年韩国土地覆被变化及其驱动因素[J]. 于皓,张柏,王宗明,任春颖,毛德华,贾明明. 地理科学. 2017(11)
[2]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)
[3]单变量特征选择的苏北地区主要农作物遥感识别[J]. 王娜,李强子,杜鑫,张源,赵龙才,王红岩. 遥感学报. 2017(04)
[4]结合ReliefF、GA和SVM的面向对象建筑物目标识别特征选择方法[J]. 薛章鹰,刘兴权. 测绘工程. 2017(02)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远. 北京航空航天大学学报. 2017(09)
[7]一种基于特征选择的面向对象遥感影像分类方法[J]. 王永吉,孟庆岩,杨健,孙云晓,李鹏,邢武杰. 科学技术与工程. 2016(32)
[8]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹. 测绘科学. 2016(10)
[9]联合显著性和多层卷积神经网络的高分影像场景分类[J]. 何小飞,邹峥嵘,陶超,张佳兴. 测绘学报. 2016(09)
[10]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥. 测绘学报. 2016(07)
博士论文
[1]高分辨率遥感影像面向对象分类方法研究[D]. 陈杰.中南大学 2010
硕士论文
[1]高分辨率遥感影像道路目标智能识别方法研究[D]. 王志盼.西南交通大学 2017
[2]基于不透水表面信息遥感提取的城市扩展研究[D]. 王婷.兰州大学 2013
[3]多标签学习中特征选择和分类问题的研究[D]. 黄莉莉.安徽大学 2013
本文编号：2962634
【文章来源】：兰州大学甘肃省 211工程院校 985工程院校 教育部直属院校
【文章页数】：104 页
【学位级别】：硕士
【部分图文】：
技术路线图
兰州大学硕士学位论文应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究11第二章原理与方法2.1卷积神经网络卷积神经网络由输入层、卷积层、池化层、全连接层和输出层组成，其经典结构如图2-1所示。卷积神经网络模拟人类大脑视觉认知过程，输入层输入原始影像，由卷积层提取特征，并由池化层对特征抽象表达，通过卷积-池化过程的堆叠逐步实现影像地物深层特征挖掘。由于卷积层和池化层输出的都是复杂且抽象的二维特征图，无法直接输入到分类器中进行类别判别，因此需要在分类器前加入全连接层以实现特征从二维到一维的映射和优化。最后将一维特征输入到分类器中完成影像分类。图2-1卷积神经网络的经典结构2.1.1基本组成（1）卷积层基于卷积神经网络稀疏连接和权值共享的策略，卷积层可以高效准确地获取具有平移旋转缩放不变性的影像特征，是卷积神经网络的重要组成之一。卷积层利用多个卷积核对上一层输出特征进行卷积运算，并通过激活函数把输出值映射到一定范围内，最终输出卷积层特征图。卷积核由反向传播算法训练得到，每个卷积核包含不同权值，从而提取输入影像的不同特征。将卷积神经网络原始输入影像记为X，第i层输出的特征图记为Yi，那么X=Y0。假设第i层为卷积层，则其计算过程如公式（2.1）所示。)(1iiiiYYbWf（2.1）其中，f()表示激活函数；i1Y表示第i-1层的特征图；iW表示第i层卷积核权重向
兰州大学硕士学位论文应用特征组合的基于对象卷积神经网络在高分辨率影像分类中的研究12量；ib表示第i层偏移向量；表示卷积操作。激活函数一般为非线性变换函数，增强了卷积神经网络模型非线性表达和稀疏表达的能力。传统CNN中常用饱和非线性函数作为激活函数，如sigmoid函数（公式（2.2））、tanh函数（公式（2.3））。如图2-2所示，sigmoid函数和tanh函数分别为在值域[0,1]和[-1,1]之间单调递增的光滑函数，其中tanh函数是sigmoid函数的变形。xexf11)(（2.2）xxxxeeeexf)(（2.3）图2-2sigmoid函数和tanh函数曲线然而饱和非线性函数收敛速度慢且梯度易爆炸或消失，因此近几年不饱和非线性函数如ReLU函数[143]被广泛使用。ReLU不依赖无监督逐层预训练而是直接监督训练深度神经网络，通过阈值化进行激活，与sigmoid和tanh函数相比，可以有效解决梯度弥散问题，且训练速度更快[143]。之后，基于ReLU又提出了改进激活函数，如LeakyReLU[144]，ParametricReLU[145]等。ReLU函数的表达式如公式（2.4）所示。xxf),0max()(（2.4）卷积层层数越多提取得到的特征越复杂，一般来说，低层卷积层提取输入影像的角点和边缘等低层次特征，而高层卷积层则可以获取包含清晰语义信息的抽象高级特征，从而极大程度上提高影像分类准确度[146]。（2）池化层通过卷积层获取的特征维数很大，不仅增加计算量而且易产生过拟合问题[43]。
【参考文献】：
期刊论文
[1]1990～2015年韩国土地覆被变化及其驱动因素[J]. 于皓,张柏,王宗明,任春颖,毛德华,贾明明. 地理科学. 2017(11)
[2]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)
[3]单变量特征选择的苏北地区主要农作物遥感识别[J]. 王娜,李强子,杜鑫,张源,赵龙才,王红岩. 遥感学报. 2017(04)
[4]结合ReliefF、GA和SVM的面向对象建筑物目标识别特征选择方法[J]. 薛章鹰,刘兴权. 测绘工程. 2017(02)
[5]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
[6]基于卷积神经网络的遥感图像舰船目标检测[J]. 黄洁,姜志国,张浩鹏,姚远. 北京航空航天大学学报. 2017(09)
[7]一种基于特征选择的面向对象遥感影像分类方法[J]. 王永吉,孟庆岩,杨健,孙云晓,李鹏,邢武杰. 科学技术与工程. 2016(32)
[8]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹. 测绘科学. 2016(10)
[9]联合显著性和多层卷积神经网络的高分影像场景分类[J]. 何小飞,邹峥嵘,陶超,张佳兴. 测绘学报. 2016(09)
[10]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥. 测绘学报. 2016(07)
博士论文
[1]高分辨率遥感影像面向对象分类方法研究[D]. 陈杰.中南大学 2010
硕士论文
[1]高分辨率遥感影像道路目标智能识别方法研究[D]. 王志盼.西南交通大学 2017
[2]基于不透水表面信息遥感提取的城市扩展研究[D]. 王婷.兰州大学 2013
[3]多标签学习中特征选择和分类问题的研究[D]. 黄莉莉.安徽大学 2013
本文编号：2962634
本文链接：https://www.wllwen.com/shoufeilunwen/xixikjs/2962634.html
