發(fā)布時(shí)間：2020-10-22 00:30

　　 遙感圖像目標(biāo)自動(dòng)識(shí)別技術(shù)在以往的研究中受限于算法的精度,需要大量且繁瑣的預(yù)處理,導(dǎo)致無法普及。直到卷積網(wǎng)絡(luò)的出現(xiàn),幾乎不再需要預(yù)處理,而且很大程度地提高了識(shí)別精度,使自動(dòng)識(shí)別技術(shù)被成功應(yīng)用于多個(gè)地區(qū)的遙感圖像目標(biāo)識(shí)別中。但是依然難以達(dá)到人類的識(shí)別精度,這主要是因?yàn)槟Ｐ偷募軜?gòu)仍未成熟。文章首先介紹了簡單的卷積網(wǎng)絡(luò),并搭建一個(gè)初始的網(wǎng)絡(luò)模型,再結(jié)合前沿研究成果,從網(wǎng)絡(luò)參數(shù)的初始化、卷積層的改進(jìn)、添加新的模型結(jié)構(gòu)等方面逐步優(yōu)化卷積網(wǎng)絡(luò)模型。對(duì)于模型的難訓(xùn)練問題,根據(jù)實(shí)驗(yàn)結(jié)果分析了多種模型訓(xùn)練的優(yōu)化算法,分析利弊后,擬定了小批量梯度下降法和一階動(dòng)量方法以及學(xué)習(xí)率下降相結(jié)合的模型訓(xùn)練算法,并使用dropout正則化算法解決了深層網(wǎng)絡(luò)中的過擬合問題。文章將優(yōu)化后的卷積網(wǎng)絡(luò)模型應(yīng)用于SAT-6多光譜遙感圖像的目標(biāo)識(shí)別中,通過分析訓(xùn)練數(shù)據(jù)以及模型訓(xùn)練中訓(xùn)練集與驗(yàn)證集的精度變化,再次優(yōu)化模型,在增加卷積網(wǎng)絡(luò)深度的同時(shí),減少總參數(shù)量和計(jì)算量,并保證模型不出現(xiàn)過擬合或欠擬合,最終最優(yōu)的卷積網(wǎng)絡(luò)模型在測(cè)試集中達(dá)到了99.5%的精度,基本與人類識(shí)別圖像精度持平。
【學(xué)位單位】：成都理工大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2018
【中圖分類】：TP751
【部分圖文】：

改變是極具價(jià)值的，最直觀的好處就是算法性能的提升。對(duì)于網(wǎng)絡(luò)增加了網(wǎng)絡(luò)的深度和寬度。對(duì)于算法的實(shí)現(xiàn)而言，卷積層的并行度計(jì)算量小。這些都將在本章詳細(xì)說明。的小節(jié)安排為：首先簡單的介紹前饋神經(jīng)網(wǎng)絡(luò)，再詳細(xì)指出卷積網(wǎng)神經(jīng)網(wǎng)絡(luò)中的改變，以及這種改變所帶來的利與弊，接著簡單說明的訓(xùn)練方法----誤差反向傳播，以及該算法在卷積網(wǎng)絡(luò)中應(yīng)用的局限下一章節(jié)，如何克服卷積網(wǎng)絡(luò)的弊端，如何克服算法訓(xùn)練中的難點(diǎn)饋神經(jīng)網(wǎng)絡(luò)神經(jīng)網(wǎng)絡(luò)(feedforward neural network)是人工神經(jīng)網(wǎng)絡(luò)中的一種，在一層的神經(jīng)元以上一層所有神經(jīng)元的輸出作為輸入，并將本層的輸?shù)妮斎�，整個(gè)網(wǎng)絡(luò)傳輸中沒有反饋，從輸入層開始，將數(shù)據(jù)向前傳隱藏層中數(shù)據(jù)依層向前傳播，最終傳入輸出層，輸出層再輸出結(jié)果示。

并傳輸?shù)较乱粚�，這個(gè)響應(yīng)被稱為神經(jīng)元的激活函數(shù)，如圖2-2 所示。圖 2-2 單個(gè)神經(jīng)元圖 2-2 中為單個(gè)神經(jīng)元，有三個(gè)輸入以及一個(gè)輸出。單個(gè)神經(jīng)元的輸入個(gè)數(shù)是未知的，由上一層決定，但輸出僅有一個(gè)。神經(jīng)元對(duì)于不同輸入的敏感度一般是不同的，也可以理解為是每個(gè)輸入會(huì)對(duì)神經(jīng)元有一定的刺激，且刺激程度基本不同。設(shè)有 n 個(gè)輸入，所有輸入對(duì)神經(jīng)元的刺激之和為 z，則：zwxwxwxwxwxTinini= +++= ==11122n （2-1）w 為輸入對(duì)神經(jīng)元的刺激程度，也被稱為權(quán)重、權(quán)值或參數(shù)，可以用來反映輸入值的重要程度。每一個(gè)輸入都有一個(gè) w，但還有一個(gè)額外的 w 是針對(duì)一個(gè)未知的輸入 x0，一般令 x0為 1，這個(gè) w 也被稱為偏置

圖 2-3 神經(jīng)元模型有一個(gè)重要的部分就是激活函數(shù)的選取。必須滿足的條件：可微，這是為了保證模型訓(xùn)練是個(gè)凸優(yōu)化問題。神經(jīng)元是線性的刺激，但線性模型的表達(dá)能是非線性的，比如分類，基本都是線性不可分這也是激活函數(shù)最大的意義，也就是為了解(XOR problem)就是非線性的。如果沒有激是一個(gè)簡單的基于輸入層的線性組合。對(duì)于reshold function)，如圖 2-4 所示，一層隱藏層
【參考文獻(xiàn)】

相關(guān)期刊論文 前1條

1 張闖;遲健男;張朝暉;王志良;;基于邊緣檢測(cè)與雙邊濾波的彩色圖像去噪[J];電子學(xué)報(bào);2010年08期

本文編號(hào)：2850819