隨著人工智能相關(guān)技術(shù)在近幾年的飛速發(fā)展,深度學(xué)習(xí)在很多領(lǐng)域取得了突破性成果。其中卷積神經(jīng)網(wǎng)絡(luò)依靠其局部特征提取、參數(shù)共享、全局池化等特點在圖像模式識別領(lǐng)域取得了較為突出的成績。在遙感影像處理領(lǐng)域,基于卷積神經(jīng)網(wǎng)絡(luò)的遙感影像分類是目前的研究熱點之一。其分類精度較高,泛化能力較強。但同時也存在著一些問題。在模型構(gòu)建方面,用于分類的卷積神經(jīng)網(wǎng)絡(luò)模型的網(wǎng)絡(luò)層次結(jié)構(gòu)很少被直接調(diào)整,而是采用經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)模型對分類樣本進行特征提取,再結(jié)合傳統(tǒng)遙感影像分類模型進行分類工作,對卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)調(diào)整及遷移學(xué)習(xí)在遙感影像分類中的相關(guān)研究及應(yīng)用較少。同時,由于遙感影像的多樣性,模型通常針對特定遙感影像的特征進行調(diào)整,而國產(chǎn)遙感影像應(yīng)用廣泛,卻鮮有針對其特征設(shè)計的自動分類模型。卷積神經(jīng)網(wǎng)絡(luò)的超參數(shù)調(diào)整對分類精度有較大影響。大多數(shù)超參數(shù)調(diào)整都可借鑒普通圖像分類任務(wù)的調(diào)整方式,但遙感影像分類中較為特殊的超參數(shù)——輸入尺度的調(diào)整方式尚不明確�；谝陨蠁栴},本文主要對遙感影像分類模型構(gòu)建,以及輸入尺度對分類精度的影響規(guī)律兩個內(nèi)容進行研究。具體如下:1.針對遙感影像的特點,考慮影像的空間分辨率、波段等特征,再結(jié)合卷積... 

【文章來源】：重慶郵電大學(xué)重慶市

【文章頁數(shù)】：68 頁

【學(xué)位級別】：碩士

【部分圖文】：

經(jīng)過預(yù)處理后的遙感影像

圖 3.10 局部實驗區(qū)域 RGB 波段合成圖如圖 3.10，該區(qū)域內(nèi)像元數(shù)量為 × ，屬于城鄉(xiāng)結(jié)合部，各類地物要素齊備，地形較為復(fù)雜且地物較為清晰便于標(biāo)注。在上圖所示的遙感區(qū)域內(nèi)，選取了少量訓(xùn)練樣本，各樣本數(shù)量如表 3.2 所示。表 3.2 實驗區(qū)域內(nèi)訓(xùn)練樣本選擇分類類別 耕地 裸地 建筑 道路 自然植被 水體訓(xùn)練樣本數(shù)量 24721 21592 22918 22635 21735 25885上表中樣本作為遷移學(xué)習(xí)中目標(biāo)域訓(xùn)練樣本。在遙感影像分類中，對每個被分類的像元進行標(biāo)注以進行精度評價工作量過大。因而通常是在被分類區(qū)域內(nèi)，選取較為有代表性的復(fù)雜地物區(qū)域進行采樣后精度評價。采樣區(qū)域如圖 3.11 所示。

圖 3.10 局部實驗區(qū)域 RGB 波段合成圖如圖 3.10，該區(qū)域內(nèi)像元數(shù)量為 × ，屬于城鄉(xiāng)結(jié)合部，各類地物要素齊備，地形較為復(fù)雜且地物較為清晰便于標(biāo)注。在上圖所示的遙感區(qū)域內(nèi)，選取了少量訓(xùn)練樣本，各樣本數(shù)量如表 3.2 所示。表 3.2 實驗區(qū)域內(nèi)訓(xùn)練樣本選擇分類類別 耕地 裸地 建筑 道路 自然植被 水體訓(xùn)練樣本數(shù)量 24721 21592 22918 22635 21735 25885上表中樣本作為遷移學(xué)習(xí)中目標(biāo)域訓(xùn)練樣本。在遙感影像分類中，對每個被分類的像元進行標(biāo)注以進行精度評價工作量過大。因而通常是在被分類區(qū)域內(nèi)，選取較為有代表性的復(fù)雜地物區(qū)域進行采樣后精度評價。采樣區(qū)域如圖 3.11 所示。

【參考文獻】：
期刊論文
[1]基于條件隨機場的高光譜遙感影像農(nóng)作物精細分類[J]. 余銘,魏立飛,尹峰,李丹丹,黃慶彬.  中國農(nóng)業(yè)信息. 2018(03)
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星遙感圖像區(qū)域識別[J]. 張日升,朱桂斌,張燕琴.  信息技術(shù). 2017(11)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的圖像識別算法研究[J]. 張榮磊,田愛奎,譚浩,鄭睿.  山東理工大學(xué)學(xué)報(自然科學(xué)版). 2018(01)
[4]基于深度學(xué)習(xí)的高光譜遙感影像分類[J]. 朱壽紅,王勝利,舒幫榮.  城市勘測. 2017(04)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的光學(xué)遙感圖像船只檢測[J]. 歐陽穎卉,林翬,李樹濤.  包裝工程. 2016(15)
[6]基于深度學(xué)習(xí)的高分辨率遙感影像分類研究[J]. 劉大偉,韓玲,韓曉勇.  光學(xué)學(xué)報. 2016(04)
[7]高光譜遙感影像分類研究進展[J]. 杜培軍,夏俊士,薛朝輝,譚琨,蘇紅軍,鮑蕊.  遙感學(xué)報. 2016(02)

博士論文
[1]基于多源夜間燈光遙感影像的多尺度城市空間形態(tài)結(jié)構(gòu)分析[D]. 陳佐旗.華東師范大學(xué) 2017

碩士論文
[1]基于深度學(xué)習(xí)的人臉識別算法研究[D]. 王飛.蘭州交通大學(xué) 2017
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D]. 趙爽.中國地質(zhì)大學(xué)(北京) 2015
[3]基于顏色和紋理特征的圖像檢索[D]. 王杰.重慶大學(xué) 2012



本文編號：3014941