隨著衛(wèi)星技術(shù)的飛速提高,衛(wèi)星影像尤其是高分辨率遙感衛(wèi)星影像受到各國的極大重視,并已在不同領(lǐng)域得到應(yīng)用。衛(wèi)星影像以其豐富的信息、直觀的形象可以提取各種自然要素之間的相關(guān)位置、空間分布,給目標(biāo)語義分割在民用和軍用方面都提供了極大的發(fā)展空間。于此同時(shí),在人工智能的浪潮下,深度學(xué)習(xí)憑借計(jì)算能力的大幅提高得到新的發(fā)展,其不僅在傳統(tǒng)的計(jì)算機(jī)視覺、機(jī)器人方面帶來巨大的變革,同時(shí)也在諸如金融、醫(yī)療等方面帶來新的解決方式。因此,將深度學(xué)習(xí)應(yīng)用到針對(duì)衛(wèi)星影像的語義分割中,由此為軍用戰(zhàn)術(shù)以及民用商業(yè)規(guī)劃開闊新的思路。本文利用卷積神經(jīng)網(wǎng)絡(luò)對(duì)衛(wèi)星高分辨率影像進(jìn)行多類別語義分割。本文的主要內(nèi)容如下:首先,概述深度學(xué)習(xí)的基本模型及深度學(xué)習(xí)的三個(gè)特點(diǎn),即模型簡單、可擴(kuò)展性及可遷移性。重點(diǎn)主要研究卷積神經(jīng)網(wǎng)絡(luò)的構(gòu)成、特點(diǎn)、研究機(jī)制及發(fā)展方向。針對(duì)利用人工設(shè)計(jì)的學(xué)習(xí)特征等進(jìn)行衛(wèi)星影像語義分割時(shí),特征設(shè)計(jì)學(xué)習(xí)過于繁瑣、適應(yīng)范圍受限制等問題,本文應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)設(shè)計(jì)、提取特征。以典型語義分割網(wǎng)絡(luò)為基礎(chǔ),設(shè)計(jì)了衛(wèi)星影像語義分割網(wǎng)絡(luò)結(jié)構(gòu),結(jié)合了現(xiàn)有的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CN... 

【文章來源】：哈爾濱工業(yè)大學(xué)黑龍江省 211工程院校 985工程院校

【文章頁數(shù)】：72 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)從屬示意圖

哈爾濱工業(yè)大學(xué)工學(xué)碩士學(xué)位論文圖像尺寸很大時(shí)，較小尺寸的卷積核能夠?qū)⒂?jì)算量成百倍的減少。對(duì)于輸入像素達(dá)到百萬級(jí)別時(shí)，個(gè)位數(shù)級(jí)別的卷積核能夠很好的提升計(jì)算速度。與此同時(shí)，卷積操作在圖像卷積時(shí)通常是乘法形式，使得權(quán)值共享成為可能。如圖所示，表示卷積層的操作。在每個(gè)步驟的計(jì)算中，卷積核滑動(dòng)到輸入特征圖上以計(jì)算輸出特征圖中的對(duì)應(yīng)值。2×2 過濾器（以綠色顯示）與 4×4 輸入特征映射中的相同大小的區(qū)域（以橙色顯示）相乘，并將結(jié)果值相加以獲得輸出中的對(duì)應(yīng)位置（以藍(lán)色顯示）在每個(gè)卷積步驟中的特征映射。

可以對(duì)圖像中的細(xì)節(jié)進(jìn)行特征提取。在輸入原始圖像時(shí)，卷積核可以提取到包括顏色、邊緣等特征，這些二維響應(yīng)圖將進(jìn)入池化層進(jìn)行特征篩選。圖 2-3 卷積核可視化


本文編號(hào)：2957687