高光譜圖像分類普遍利用光譜特征,而光譜特征的可分性不足,導致分類精度不高。同時,由于同一樣本在不同高光譜圖像中的特征分布不同,導致傳統(tǒng)分類方法無法在多個高光譜圖像中對同一樣本實現有效分類。本文利用殘差網絡提取高光譜圖像的深層特征,利用領域適配網絡對齊不同高光譜圖像的特征空間,以提高高光譜圖像的分類性能。論文的主要結果如下:(1)針對高光譜圖像分類中光譜特征可分性不足的問題,本文提出一種基于殘差網絡的高光譜圖像分類方法。該方法對高光譜圖像中每個像素點進行空間特征提取,基于殘差網絡算法建立分類模型,利用殘差網絡結構避免梯度消失問題,以提高分類效果。(2)針對高光譜圖像分類中標注樣本不足的問題,本文基于深度遷移學習理論,對深層卷積網絡的部分中間層參數進行有策略遷移,實現模型在兩組高光譜圖像數據集間的遷移學習,提高在少量標注樣本情況下的分類效果。(3)針對同類樣本在不同數據集中的特征空間偏移問題,本文采用領域適配網絡算法對兩組高光譜圖像數據集的特征空間進行特征對齊,提升高光譜圖像在無標注數據情況下的分類效果。
【學位單位】：浙江工業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751;TP183
【部分圖文】：

浙江工業(yè)大學碩士學位論文5圖2-1 卷積操作示意圖當感受野中出現與卷積核代表的特征一致時，卷積操作后輸出到特征圖的值也就越大，即代表該區(qū)域符合卷積核中的特征。卷積層中每個卷積核都代表某一種特征，當卷積核個數增多時，特征圖的空間維度也隨之增加，從而使下一層的特征組合更加復雜。隨著向后傳播算法對網絡進行優(yōu)化，網絡將學習到與數據集中樣本特征空間相對應的卷積核參數。2.2.2 卷積神經網絡中常用激活函數原始數據經過卷積層后得到特征圖，特征圖通過激活函數進行非線性轉換，激活函數是指非線性函數，進行非線性轉換的目的是為之前的線性操作引入非線性特征。連續(xù)可導的函數都能作為激活函數。目前常見的激活函數一般為具有指數形態(tài)的非線性函數，例如Sigmoid 函數[20]、Tanh 函數[21]、ReLU 函數[22]。假設一個卷積神經網絡中只存在卷積層和全連接層

圖2-2 Sigmoid函數圖形要的性質為其軟飽和性，這一性質使得深度神經，從而成為阻礙神經網絡發(fā)展一個重要原因。具 函數在進行梯度傳遞時包含了一個'f ( x )因子，Si x )就會接近于 0，導致向底層傳遞的梯度因為連乘訓練，這一問題在深度學習領域被稱為梯度消失問有利的一面：Sigmoid 函數在物理意義上最為接近的輸出為(0,1)之間的值，所以可對輸入進行歸一數的應用。函數中的一個，Tanh 函數又被稱為雙曲正切。在中的雙曲正弦和雙曲余弦推導而來，其正式定義221tanh( )1xxexe

圖2-3 Tanh函數圖形推出：tanh( x ) 2 sigmoid (2 x ) 1具有軟飽和性，從圖 2-3 中也可看出，Tanh 函數和數將輸出映射為(-1,1)之間。Tanh 函數在深層網絡，因為其輸出均值相對于 Sigmoid 函數更接近于零梯度。Tanh 函數依舊無法避免梯度消失問題，為解決經網絡中，它是目前深度學習領域普遍使用的激活
【相似文獻】

相關期刊論文 前10條

1 王斌;;基于高光譜圖像技術的水果表面農藥殘留檢測觀察[J];種子科技;2017年04期

2 陳綾鋼;呂靖芳;;高光譜圖像技術在農產品監(jiān)測中的應用進展[J];北京農業(yè);2016年01期

3 朱貞映;袁建;何榮;;糧油中高光譜圖像技術的應用現狀[J];糧食與飼料工業(yè);2016年09期

4 徐爽;何建國;馬瑜;梁慧琳;劉貴珊;賀曉光;;高光譜圖像技術在水果品質檢測中的研究進展[J];食品研究與開發(fā);2013年10期

5 葉珍;白璘;;局部保護降維與高斯混合模型的高光譜圖像分類[J];工業(yè)儀表與自動化裝置;2017年04期

6 吳龍國;何建國;賀曉光;劉貴珊;王偉;王松磊;蘇偉東;羅陽;思振華;;高光譜圖像技術在水果無損檢測中的研究進展[J];激光與紅外;2013年09期

7 閆敬文;陳宏達;劉蕾;;高光譜圖像分類的研究進展[J];光學精密工程;2019年03期

8 唐中奇;付光遠;陳進;張利;;基于低秩結構提取的高光譜圖像壓縮表示[J];電子與信息學報;2016年05期

9 張良培;李家藝;;高光譜圖像稀疏信息處理綜述與展望[J];遙感學報;2016年05期

10 洪科;湯漫;;淺談高光譜圖像融合方法[J];科技風;2019年16期

相關博士學位論文 前10條

1 BOUKHECHBA KAMEL;基于DCT的高光譜圖像處理方法[D];武漢大學;2018年

2 李嬌嬌;高光譜遙感圖像高效分類與解混方法研究[D];西安電子科技大學;2016年

3 劉務;基于空譜特征挖掘的高光譜圖像分類方法研究[D];哈爾濱工程大學;2018年

4 李威;基于機器學習的森林多源遙感數據分析方法研究[D];哈爾濱工程大學;2018年

5 李暢;高光譜遙感影像處理中的若干關鍵技術研究[D];華中科技大學;2018年

6 任越美;高光譜圖像特征提取與分類方法研究[D];西北工業(yè)大學;2017年

7 王慶巖;面向植被遙感監(jiān)測的高光譜圖像分類技術研究[D];哈爾濱工業(yè)大學;2018年

8 吳釗君;基于權重核范數的高光譜圖像去噪與解混方法研究[D];哈爾濱工業(yè)大學;2018年

9 張星;組合空間和光譜特性的高光譜圖像異常檢測與目標識別方法研究[D];國防科學技術大學;2016年

10 馮志璽;空譜稀疏結構學習下的高光譜數據降維與分類技術研究[D];西安電子科技大學;2018年

相關碩士學位論文 前10條

1 蘇康;基于高光譜顯微成像的細胞檢測研究與應用[D];暨南大學;2017年

2 戴蕾;函數型數據分析方法及其在高光譜圖像目標探測中的應用[D];華中科技大學;2018年

3 鄭煒玲;基于塊稀疏表達的高光譜圖像壓縮[D];武漢大學;2018年

4 蘇毅;不同氮水平下冬小麥農學參數高光譜監(jiān)測研究[D];山西農業(yè)大學;2018年

5 陳沖;南疆紅棗多角度高光譜偏振檢測模型研究[D];塔里木大學;2019年

6 王立偉;深度遷移學習在高光譜圖像分類中的應用[D];浙江工業(yè)大學;2019年

7 楊承文;基于主動學習的高光譜圖像分類[D];浙江工業(yè)大學;2019年

8 陳方杰;基于生成對抗網絡的高光譜圖像分類[D];浙江工業(yè)大學;2019年

9 房盟盟;特定溫度下灘羊肉貯藏期的高光譜—動力學預測方程構建[D];寧夏大學;2018年

10 彭焱;基于波段子區(qū)間劃分的高光譜圖像分類研究[D];浙江工業(yè)大學;2017年

本文編號：2868339