隨著遙感技術的快速發(fā)展,我們可以獲取到越來越多紋理細節(jié)清晰、光譜特征豐富的高分辨率遙感影像,如何有效利用這些含有豐富信息的遙感影像,已經(jīng)成為研究的熱點。傳統(tǒng)的機器學習方法對高分辨率遙感影像特征分析和特征提取的過程有一定的復雜性,不能夠?qū)臻g結(jié)構(gòu)與物體邊緣特征信息進行有效的處理,有顯著的局限性。而深度學習打破了傳統(tǒng)的機器學習方法的局限性,可以對紋理、空間結(jié)構(gòu)與光譜等高維度信息進行特征提取,并應用在語義分割中的自然災害監(jiān)測、城市規(guī)劃、土地覆蓋監(jiān)測等領域。本文主要采用深度學習模型,對高分辨率遙感影像的語義分割問題開展以下幾個方面的研究與探索:（1）提出一種改進的反卷積網(wǎng)絡模型,該模型將編碼結(jié)構(gòu)與解碼結(jié)構(gòu)對應特征層連接,能夠更深層次對樣本空間結(jié)構(gòu)與邊緣等特征信息進行提取。在馬薩諸塞州建筑物遙感影像數(shù)據(jù)集上使用該模型進行實驗,結(jié)果表明,改進后的模型比其他經(jīng)典的語義分割網(wǎng)絡模型像素精確度高出了 3%～6%。（2）深度學習卷積神經(jīng)網(wǎng)絡模型需要大量的數(shù)據(jù)進行訓練。當前遙感影像存在數(shù)量多但標注少的問題,導致深度學習網(wǎng)絡模型訓練困難。本文設計的數(shù)據(jù)預訓練模型,在不改變原有數(shù)據(jù)的基礎上,通過對遙感影像進行翻... 

【文章來源】：浙江理工大學浙江省

【文章頁數(shù)】：70 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 課題研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 機器學習在遙感領域的應用
        1.2.2 深度學習在遙感領域的應用
        1.2.3 高分辨率遙感影像分析研究現(xiàn)狀
    1.3 論文研究內(nèi)容
    1.4 論文內(nèi)容組織結(jié)構(gòu)
第二章 相關技術介紹
    2.1 機器學習原理
        2.1.1 監(jiān)督學習
        2.1.2 半監(jiān)督學習
        2.1.3 無監(jiān)督學習
        2.1.4 強化學習
    2.2 深度學習原理
        2.2.1 多層感知器
        2.2.2 自動編碼器
        2.2.3 受限玻爾茲曼機
        2.2.4 卷積神經(jīng)網(wǎng)絡
    2.3 本章小結(jié)
第三章 改進反卷積網(wǎng)絡語義分割方法研究
    3.1 語義分割理論介紹
        3.1.1 FCN模型
        3.1.2 DeconvNet模型
        3.1.3 Unet模型
    3.2 改進反卷積網(wǎng)絡模型
        3.2.1 預處理
        3.2.2 編碼結(jié)構(gòu)
        3.2.3 解碼結(jié)構(gòu)
    3.3 實驗數(shù)據(jù)及結(jié)果
        3.3.1 數(shù)據(jù)集描述
        3.3.2 實驗環(huán)境
        3.3.3 網(wǎng)絡模型的參數(shù)設置
        3.3.4 評價指標
        3.3.5 實驗結(jié)果分析
    3.4 本章小結(jié)
第四章 基于數(shù)據(jù)集擴充方法研究
    4.1 傳統(tǒng)圖像擴充方法研究
    4.2 圖像變形研究
    4.3 數(shù)據(jù)預處理模型
    4.4 本章小結(jié)
第五章 基于deeplab V3+在遙感領域應用的研究
    5.1 相關理論
        5.1.1 空洞卷積
        5.1.2 條件隨機場
        5.1.3 空洞空間金字塔池化
    5.2 DeeplabV3+網(wǎng)絡模型研究
        5.2.1 編碼器與解碼器結(jié)構(gòu)
        5.2.2 Aligned Xception模型
    5.3 實驗結(jié)果與分析
        5.3.1 數(shù)據(jù)集描述
        5.3.2 實驗環(huán)境
        5.3.3 實驗模型的參數(shù)設置
        5.3.4 模型訓練流程
        5.3.5 評價標準
        5.3.6 實驗結(jié)果分析
    5.4 本章小結(jié)
第六章 總結(jié)與展望
    6.1 工作總結(jié)
    6.2 研究展望
參考文獻
學位期間的研究成果
致謝


【參考文獻】：
期刊論文
[1]深度學習語義分割方法在遙感影像分割中的性能分析[J]. 王俊強,李建勝,丁波,蔡富.  計算機測量與控制. 2019(07)
[2]利用深度殘差網(wǎng)絡的高分遙感影像語義分割[J]. 李欣,唐文莉,楊博.  應用科學學報. 2019(02)
[3]結(jié)合顯著圖和深度學習的遙感影像飛機目標識別[J]. 劉相云,龔志輝,金飛,楊光,范煒康.  測繪通報. 2019(03)
[4]凝視視頻衛(wèi)星目標檢測算法[J]. 張作省,朱瑞飛.  航天返回與遙感. 2018(06)
[5]一種改進迭代條件模型的遙感影像語義分割方法[J]. 黃亮,宋晶.  軟件導刊. 2019(01)
[6]當代遙感科技發(fā)展的現(xiàn)狀與未來展望[J]. 張兵.  中國科學院院刊. 2017(07)
[7]視景建模中樹木紋理圖像的隨機變形網(wǎng)格方法[J]. 施冠羽,歐陽清.  中國圖象圖形學報. 2015(10)
[8]高分辨率SAR圖像中建筑物特征融合檢測算法[J]. 蘇娟,張強,陳煒,王繼平.  測繪學報. 2014(09)
[9]攝影測量與遙感技術的發(fā)展[J]. 王攀,李俊杰,孫學偉.  科技資訊. 2012(34)
[10]C4.5決策樹改進算法研究[J]. 馮帆,徐俊剛.  電子技術. 2012(06)

博士論文
[1]基于高分辨率遙感影像的城中村提取方法研究[D]. 劉輝.武漢大學 2018



本文編號：3149635