發(fā)布時間：2021-01-05 00:51

　　隨著衛(wèi)星技術的飛速提高,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,并已在不同領域得到應用。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位置、空間分布,給目標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,在人工智能的浪潮下,深度學習憑借計算能力的大幅提高得到新的發(fā)展,其不僅在傳統(tǒng)的計算機視覺、機器人方面帶來巨大的變革,同時也在諸如金融、醫(yī)療等方面帶來新的解決方式。因此,將深度學習應用到針對衛(wèi)星影像的語義分割中,由此為軍用戰(zhàn)術以及民用商業(yè)規(guī)劃開闊新的思路。本文利用卷積神經網(wǎng)絡對衛(wèi)星高分辨率影像進行多類別語義分割。本文的主要內容如下:首先,概述深度學習的基本模型及深度學習的三個特點,即模型簡單、可擴展性及可遷移性。重點主要研究卷積神經網(wǎng)絡的構成、特點、研究機制及發(fā)展方向。針對利用人工設計的學習特征等進行衛(wèi)星影像語義分割時,特征設計學習過于繁瑣、適應范圍受限制等問題,本文應用卷積神經網(wǎng)絡自動設計、提取特征。以典型語義分割網(wǎng)絡為基礎,設計了衛(wèi)星影像語義分割網(wǎng)絡結構,結合了現(xiàn)有的卷積神經網(wǎng)絡（Convolutional Neural Network,CN... 

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

【文章頁數(shù)】：72 頁

【學位級別】：碩士

【部分圖文】：

卷積神經網(wǎng)絡從屬示意圖

哈爾濱工業(yè)大學工學碩士學位論文圖像尺寸很大時，較小尺寸的卷積核能夠將計算量成百倍的減少。對于輸入像素達到百萬級別時，個位數(shù)級別的卷積核能夠很好的提升計算速度。與此同時，卷積操作在圖像卷積時通常是乘法形式，使得權值共享成為可能。如圖所示，表示卷積層的操作。在每個步驟的計算中，卷積核滑動到輸入特征圖上以計算輸出特征圖中的對應值。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，并將結果值相加以獲得輸出中的對應位置（以藍色顯示）在每個卷積步驟中的特征映射。

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


本文編號：2957687