隨著人工智能相關技術在近幾年的飛速發(fā)展,深度學習在很多領域取得了突破性成果。其中卷積神經網絡依靠其局部特征提取、參數共享、全局池化等特點在圖像模式識別領域取得了較為突出的成績。在遙感影像處理領域,基于卷積神經網絡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。在模型構建方面,用于分類的卷積神經網絡模型的網絡層次結構很少被直接調整,而是采用經典卷積神經網絡模型對分類樣本進行特征提取,再結合傳統(tǒng)遙感影像分類模型進行分類工作,對卷積神經網絡結構調整及遷移學習在遙感影像分類中的相關研究及應用較少。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整,而國產遙感影像應用廣泛,卻鮮有針對其特征設計的自動分類模型。卷積神經網絡的超參數調整對分類精度有較大影響。大多數超參數調整都可借鑒普通圖像分類任務的調整方式,但遙感影像分類中較為特殊的超參數——輸入尺度的調整方式尚不明確�；谝陨蠁栴},本文主要對遙感影像分類模型構建,以及輸入尺度對分類精度的影響規(guī)律兩個內容進行研究。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,再結合卷積... 

【文章來源】：重慶郵電大學重慶市

【文章頁數】：68 頁

【學位級別】：碩士

【部分圖文】：

經過預處理后的遙感影像

圖 3.10 局部實驗區(qū)域 RGB 波段合成圖如圖 3.10，該區(qū)域內像元數量為 × ，屬于城鄉(xiāng)結合部，各類地物要素齊備，地形較為復雜且地物較為清晰便于標注。在上圖所示的遙感區(qū)域內，選取了少量訓練樣本，各樣本數量如表 3.2 所示。表 3.2 實驗區(qū)域內訓練樣本選擇分類類別 耕地 裸地 建筑 道路 自然植被 水體訓練樣本數量 24721 21592 22918 22635 21735 25885上表中樣本作為遷移學習中目標域訓練樣本。在遙感影像分類中，對每個被分類的像元進行標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，選取較為有代表性的復雜地物區(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)域內像元數量為 × ，屬于城鄉(xiāng)結合部，各類地物要素齊備，地形較為復雜且地物較為清晰便于標注。在上圖所示的遙感區(qū)域內，選取了少量訓練樣本，各樣本數量如表 3.2 所示。表 3.2 實驗區(qū)域內訓練樣本選擇分類類別 耕地 裸地 建筑 道路 自然植被 水體訓練樣本數量 24721 21592 22918 22635 21735 25885上表中樣本作為遷移學習中目標域訓練樣本。在遙感影像分類中，對每個被分類的像元進行標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，選取較為有代表性的復雜地物區(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作物精細分類[J]. 余銘,魏立飛,尹峰,李丹丹,黃慶彬.  中國農業(yè)信息. 2018(03)
[2]基于卷積神經網絡的衛(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. 2017(11)
[3]基于卷積神經網絡的圖像識別算法研究[J]. 張榮磊,田愛奎,譚浩,鄭睿.  山東理工大學學報(自然科學版). 2018(01)
[4]基于深度學習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]基于卷積神經網絡的光學遙感圖像船只檢測[J]. 歐陽穎卉,林翬,李樹濤.  包裝工程. 2016(15)
[6]基于深度學習的高分辨率遙感影像分類研究[J]. 劉大偉,韓玲,韓曉勇.  光學學報. 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)結構分析[D]. 陳佐旗.華東師范大學 2017

碩士論文
[1]基于深度學習的人臉識別算法研究[D]. 王飛.蘭州交通大學 2017
[2]基于卷積神經網絡的遙感圖像分類方法研究[D]. 趙爽.中國地質大學(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 2012



本文編號：3014941