遙感對地觀測技術是一種快速、高效的數(shù)據(jù)獲取方法,獲得的影像數(shù)據(jù)在包括林業(yè)在內(nèi)的多個行業(yè)被廣泛應用。語義分割是林業(yè)遙感影像分析中主要的應用之一,與影像分類相比,能夠獲取遙感影像中更為豐富的語義類別信息,并為生態(tài)監(jiān)測、退耕還林等任務提供決策信息。研究快速、精準的語義分割方法對于林業(yè)具有重要的意義。由于遙感影像中林木具有分布無序,形態(tài)無規(guī)則等特點,基于深度學習的經(jīng)典語義分割模型U-Net無法對林木達到較高的語義分割精度,此外,U-Net還具有模型復雜度高、計算耗時、對類別不平衡數(shù)據(jù)集的語義分割效果欠佳等主要問題。對于上述問題,本文對經(jīng)典語義分割神經(jīng)網(wǎng)絡U-Net進行多步結(jié)構優(yōu)化,提出用于林木/背景二類別語義分割的神經(jīng)網(wǎng)絡STS-Net(Simplified Tree Segmentation Network);對語義分割數(shù)據(jù)集內(nèi)存在的類別不平衡問題,提出類別敏感加權損失函數(shù);對于使用遙感瓦片語義分割結(jié)果拼接得到的大幅面語義分割圖的平滑度欠佳的問題,提出重疊預測后處理算法。本文的主要工作如下:(1)以提升神經(jīng)典語義分割經(jīng)網(wǎng)絡U-Net的語義分割精度、減少神經(jīng)網(wǎng)絡復雜度及加快神經(jīng)網(wǎng)絡運算速度為目標,使用4步結(jié)構改進方法優(yōu)化神經(jīng)網(wǎng)絡模型,并提出STS-Net語義分割神經(jīng)網(wǎng)絡。改進方法包括使用緊湊卷積模塊替代標準卷積層、裁剪網(wǎng)絡中不必要的計算模塊、使用殘差連接增強卷積模塊、使用改進的級聯(lián)空洞卷積增強卷積模塊序列。實驗結(jié)果證明與經(jīng)典語義分割網(wǎng)絡U-Net相比,STS-Net以更少模型權重、更快的運行速度,達到了更高的語義分割精度。(2)為改善遙感影像語義分割數(shù)據(jù)集內(nèi)的類別不平衡問題,提出了類別敏感加權損失函數(shù)。所提出的損失函數(shù)使用當前時刻神經(jīng)網(wǎng)絡對每一像素的語義分割精度,作為可變權重因子改進經(jīng)典交叉熵損失函數(shù),能夠降低已經(jīng)達到較高語義分割精度的像素點在損失函數(shù)平均值中所占的比重,實現(xiàn)類別均衡化處理。實驗證明與經(jīng)典交叉熵損失函數(shù)相比,類別敏感加權損失函數(shù)能夠提升神經(jīng)網(wǎng)絡對類別不平衡數(shù)據(jù)集內(nèi)小類別樣本像素點的分割精度。(3)在使用遙感瓦片語義分割結(jié)果拼接為大幅面遙感影像語義分割圖后,出現(xiàn)圖內(nèi)局部語義分割不連續(xù)的問題,對此提出重疊預測后處理算法。該算法使用單模型多數(shù)據(jù)副本的處理策略,對相鄰遙感瓦片的重疊區(qū)域,首先合并神經(jīng)網(wǎng)絡對同一像素在各瓦片中像素副本的分割結(jié)果,再計算得到大幅面語義分割圖中該像素點的最終語義類別。實驗證明該算法能夠進一步提升已訓練神經(jīng)網(wǎng)絡在測試集上的語義分割精度。
【學位單位】：東北林業(yè)大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：TP751;TP18;S712
【部分圖文】：

圖１－１論文內(nèi)容組織圖??第二章：相關技術與理論。首先簡要介紹了機器學習的概念，隨后分別介紹了一些??傳統(tǒng)機器學習算法模型，其中包括線性回歸、邏輯回歸和神經(jīng)網(wǎng)絡，以及模型訓練過程??主要涉及到的一些概念，其中包括損失函數(shù)、模型優(yōu)化算法和學習率，最后介紹了卷積??神經(jīng)網(wǎng)絡和全卷積語義分割網(wǎng)絡的組成結(jié)構與運算方式。??第三章：基于神經(jīng)網(wǎng)絡的遙感影像語義分割方法。針對基于神經(jīng)網(wǎng)絡的遙感影像語??義分割模型參數(shù)量過多、計算耗時、分割精度不足等問題，先后從神經(jīng)網(wǎng)絡模型、損失??函數(shù)和后處理三個環(huán)節(jié)展開研究。首先介紹了基于全卷積網(wǎng)絡的語義分割神經(jīng)網(wǎng)絡??ＳＴＳ－Ｎｅｔ。對于經(jīng)典語義分割全卷積網(wǎng)絡Ｕ－Ｎｅｔ存在的問題，ＳＴＳ－Ｎｅｔ根據(jù)遙感數(shù)據(jù)集中??的實際情況予以改進；隨后介紹了類別敏感加權損失函數(shù)。為提升ＳＴＳ－Ｎｅｔ在類別不平??衡數(shù)據(jù)上的語義分割精度，所提出的損失函數(shù)將訓練階段神經(jīng)網(wǎng)絡對不同像素的當前分??割精度作為可變權重因子加入經(jīng)典交叉熵損失函數(shù)，進行類別均衡；然后介紹了重疊預??測后處理算法，該算法針對大幅面遙感影像語義分割的測試階段遙感瓦片拼接過程中存??在的問題，根據(jù)單模型多數(shù)據(jù)副本處理策略，通過合并ＳＴＳ－Ｎｅｔ對不同瓦片間重疊區(qū)域??的分割結(jié)果來提升全卷積網(wǎng)絡對大幅面測試影像的語義分割精度；最后介紹了基于??

出了另一定義，“一個程序能從經(jīng)驗Ｅ中進行學習，從而解決任務Ｔ，并達到性能度量??標準Ｐ，當且僅當有了經(jīng)驗Ｅ后，經(jīng)過Ｐ評判，程序隨后在處理Ｔ時的性能表現(xiàn)有所提??升”?［７４］。機器學習中常見學習方式與算法類型如圖２－１所示。??？?監(jiān)督學習??—、應卜ｆ■督學習：：??？半監(jiān)督學習??？?強化學習??？正則化算法??機器學習?一?＿?集成算＠??？■決策樹算法??？?回歸算法??—Ｉ?絡???＾?貝葉斯算法??＾?算法類型一＝…：：???？?深度學習??？支持向量機??？?降維黧法??基于實例的??關聯(lián)規(guī)則算??ｎ?法??？?圖模型??圖２－１機器學習中常見訓練方式與算法類型??監(jiān)督學習和非監(jiān)督學習是機器學習中最常見的學習方式。一般來說，監(jiān)督學習通過??在算法的訓練階段向模型同時提供輸入數(shù)據(jù)及其所對應的標簽信息，從而引導模型正確??完成指定任務；非監(jiān)督學習中模型從輸入數(shù)據(jù)尋找潛在類別規(guī)則，訓練期間未受到監(jiān)督??式增強。此外，機器學習的學習方式還包括半監(jiān)督學習和強化學習等。半監(jiān)督學習中模??一?１０－??

出了另一定義，“一個程序能從經(jīng)驗Ｅ中進行學習，從而解決任務Ｔ，并達到性能度量??標準Ｐ，當且僅當有了經(jīng)驗Ｅ后，經(jīng)過Ｐ評判，程序隨后在處理Ｔ時的性能表現(xiàn)有所提??升”?［７４］。機器學習中常見學習方式與算法類型如圖２－１所示。??？?監(jiān)督學習??—、應卜ｆ■督學習：：??？半監(jiān)督學習??？?強化學習??？正則化算法??機器學習?一?＿?集成算＠??？■決策樹算法??？?回歸算法??—Ｉ?絡???＾?貝葉斯算法??＾?算法類型一＝…：：???？?深度學習??？支持向量機??？?降維黧法??基于實例的??關聯(lián)規(guī)則算??ｎ?法??？?圖模型??圖２－１機器學習中常見訓練方式與算法類型??監(jiān)督學習和非監(jiān)督學習是機器學習中最常見的學習方式。一般來說，監(jiān)督學習通過??在算法的訓練階段向模型同時提供輸入數(shù)據(jù)及其所對應的標簽信息，從而引導模型正確??完成指定任務；非監(jiān)督學習中模型從輸入數(shù)據(jù)尋找潛在類別規(guī)則，訓練期間未受到監(jiān)督??式增強。此外，機器學習的學習方式還包括半監(jiān)督學習和強化學習等。半監(jiān)督學習中模??一?１０－??
【相似文獻】

相關期刊論文 前10條

1 袁如金;張敏;李世偉;;基于華浩超算平臺遙感影像幾何校正研究——以資源一號02C數(shù)據(jù)為例[J];測繪與空間地理信息;2017年01期

2 馬慧云;吳曉京;趙國慶;姜丙波;;遙感影像反演的霧參數(shù)地區(qū)差異性分析[J];遙感信息;2017年03期

3 雒培磊;李國慶;曾怡;;一種改進的基于深度學習的遙感影像拼接方法[J];計算機工程與應用;2017年20期

4 鄢詠折;范曉燕;;遙感影像變化監(jiān)測方法簡述[J];城市建設理論研究(電子版);2017年22期

5 蔡紅玥;;一種遙感影像鑲嵌線自動提取方法[J];城市地理;2017年08期

6 張靈凱;于良;;多源遙感數(shù)據(jù)融合研究綜述[J];城市地理;2017年02期

7 劉琴;王正祥;;論空中測量無人機遙感影像應用[J];城市地理;2017年12期

8 崔青巖;劉超;;青海省瑪沁縣索呼多地區(qū)遙感影像地質(zhì)特征及意義[J];環(huán)球人文地理;2017年09期

9 田甜;張景發(fā);姜文亮;王鑫;;基于ArcGIS 10.0的遙感影像批量標準制圖的實現(xiàn)[J];地殼構造與地殼應力文集;2016年01期

10 田甜;張景發(fā);姜文亮;羅毅;;地震多源異構遙感影像數(shù)據(jù)庫系統(tǒng)設計與實現(xiàn)[J];地殼構造與地殼應力文集;2016年02期

相關博士學位論文 前10條

1 楊楠;低空遙感影像多視密集點云重構方法研究[D];武漢大學;2016年

2 徐鵬飛;基于夜間燈光遙感影像的城鎮(zhèn)化時空特征研究[D];浙江大學;2019年

3 邰建豪;深度學習在遙感影像目標檢測和地表覆蓋分類中的應用研究[D];武漢大學;2017年

4 劉曉奕;序列遙感影像異常檢測的時空模型研究與應用[D];中國科學院大學(中國科學院遙感與數(shù)字地球研究所);2018年

5 趙崇悅;基于多特征學習的遙感影像復原與分類[D];西安電子科技大學;2018年

6 李爍;遙感影像色彩一致性處理和鑲嵌線優(yōu)化技術研究[D];戰(zhàn)略支援部隊信息工程大學;2018年

7 邵帥;空間光學遙感影像的實時清晰度提升技術研究[D];中國科學院大學(中國科學院長春光學精密機械與物理研究所);2019年

8 李銘;任務驅(qū)動的遙感影像檢索案例推理方法研究[D];武漢大學;2014年

9 顧海燕;遙感影像地理本體建模驅(qū)動的對象分類技術[D];武漢大學;2015年

10 陳沖;面向多任務粒度的遙感影像鑲嵌并行技術研究[D];南京大學;2015年

相關碩士學位論文 前10條

1 魏青迪;基于卷積神經(jīng)網(wǎng)絡的高分二號遙感影像提取方法[D];山東農(nóng)業(yè)大學;2019年

2 張若楠;伊犁河流域多特征遙感影像水體識別研究[D];新疆大學;2019年

3 潘曉權;基于卷積神經(jīng)網(wǎng)絡的城市遙感影像語義分割[D];桂林電子科技大學;2019年

4 李坡濤;基于高分2號影像的城市周邊水體提取模型研究[D];河南大學;2019年

5 呂永飛;基于區(qū)塊鏈的遙感影像數(shù)字版權控制技術研究[D];河南大學;2019年

6 段延超;基于SIFT和小波變換的遙感影像配準融合算法研究[D];河南大學;2019年

7 趙盟;基于遙感影像的城鎮(zhèn)違法建筑的識別及其在移動端的應用[D];河南大學;2019年

8 王博;基于NPP-VIIRS夜間燈光遙感影像的杭州城市結(jié)構發(fā)展變化分析[D];浙江大學;2019年

9 陳守玉;基于深度學習的遙感影像語義分割方法研究[D];東北林業(yè)大學;2019年

10 王卓琳;基于貓群算法的遙感影像數(shù)據(jù)存儲優(yōu)化方法研究[D];東北林業(yè)大學;2019年

本文編號：2887841