隨著遙感技術(shù)的快速發(fā)展,我們可以獲取到越來(lái)越多紋理細(xì)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(diǎn)。傳統(tǒng)的機(jī)器學(xué)習(xí)方法對(duì)高分辨率遙感影像特征分析和特征提取的過(guò)程有一定的復(fù)雜性,不能夠?qū)臻g結(jié)構(gòu)與物體邊緣特征信息進(jìn)行有效的處理,有顯著的局限性。而深度學(xué)習(xí)打破了傳統(tǒng)的機(jī)器學(xué)習(xí)方法的局限性,可以對(duì)紋理、空間結(jié)構(gòu)與光譜等高維度信息進(jìn)行特征提取,并應(yīng)用在語(yǔ)義分割中的自然災(zāi)害監(jiān)測(cè)、城市規(guī)劃、土地覆蓋監(jiān)測(cè)等領(lǐng)域。本文主要采用深度學(xué)習(xí)模型,對(duì)高分辨率遙感影像的語(yǔ)義分割問(wèn)題開(kāi)展以下幾個(gè)方面的研究與探索:（1）提出一種改進(jìn)的反卷積網(wǎng)絡(luò)模型,該模型將編碼結(jié)構(gòu)與解碼結(jié)構(gòu)對(duì)應(yīng)特征層連接,能夠更深層次對(duì)樣本空間結(jié)構(gòu)與邊緣等特征信息進(jìn)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(jìn)行實(shí)驗(yàn),結(jié)果表明,改進(jìn)后的模型比其他經(jīng)典的語(yǔ)義分割網(wǎng)絡(luò)模型像素精確度高出了 3%～6%。（2）深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)模型需要大量的數(shù)據(jù)進(jìn)行訓(xùn)練。當(dāng)前遙感影像存在數(shù)量多但標(biāo)注少的問(wèn)題,導(dǎo)致深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練困難。本文設(shè)計(jì)的數(shù)據(jù)預(yù)訓(xùn)練模型,在不改變?cè)袛?shù)據(jù)的基礎(chǔ)上,通過(guò)對(duì)遙感影像進(jìn)行翻... 

【文章來(lái)源】：浙江理工大學(xué)浙江省

【文章頁(yè)數(shù)】：70 頁(yè)

【學(xué)位級(jí)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(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 機(jī)器學(xué)習(xí)在遙感領(lǐng)域的應(yīng)用
        1.2.2 深度學(xué)習(xí)在遙感領(lǐng)域的應(yīng)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?jī)?nèi)容
    1.4 論文內(nèi)容組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 機(jī)器學(xué)習(xí)原理
        2.1.1 監(jiān)督學(xué)習(xí)
        2.1.2 半監(jiān)督學(xué)習(xí)
        2.1.3 無(wú)監(jiān)督學(xué)習(xí)
        2.1.4 強(qiáng)化學(xué)習(xí)
    2.2 深度學(xué)習(xí)原理
        2.2.1 多層感知器
        2.2.2 自動(dòng)編碼器
        2.2.3 受限玻爾茲曼機(jī)
        2.2.4 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 本章小結(jié)
第三章 改進(jìn)反卷積網(wǎng)絡(luò)語(yǔ)義分割方法研究
    3.1 語(yǔ)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(jìn)反卷積網(wǎng)絡(luò)模型
        3.2.1 預(yù)處理
        3.2.2 編碼結(jié)構(gòu)
        3.2.3 解碼結(jié)構(gòu)
    3.3 實(shí)驗(yàn)數(shù)據(jù)及結(jié)果
        3.3.1 數(shù)據(jù)集描述
        3.3.2 實(shí)驗(yàn)環(huán)境
        3.3.3 網(wǎng)絡(luò)模型的參數(shù)設(shè)置
        3.3.4 評(píng)價(jià)指標(biāo)
        3.3.5 實(shí)驗(yàn)結(jié)果分析
    3.4 本章小結(jié)
第四章 基于數(shù)據(jù)集擴(kuò)充方法研究
    4.1 傳統(tǒng)圖像擴(kuò)充方法研究
    4.2 圖像變形研究
    4.3 數(shù)據(jù)預(yù)處理模型
    4.4 本章小結(jié)
第五章 基于deeplab V3+在遙感領(lǐng)域應(yīng)用的研究
    5.1 相關(guān)理論
        5.1.1 空洞卷積
        5.1.2 條件隨機(jī)場(chǎng)
        5.1.3 空洞空間金字塔池化
    5.2 DeeplabV3+網(wǎng)絡(luò)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(shí)驗(yàn)結(jié)果與分析
        5.3.1 數(shù)據(jù)集描述
        5.3.2 實(shí)驗(yàn)環(huán)境
        5.3.3 實(shí)驗(yàn)?zāi)Ｐ偷膮?shù)設(shè)置
        5.3.4 模型訓(xùn)練流程
        5.3.5 評(píng)價(jià)標(biāo)準(zhǔn)
        5.3.6 實(shí)驗(yàn)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(xiàn)
學(xué)位期間的研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]深度學(xué)習(xí)語(yǔ)義分割方法在遙感影像分割中的性能分析[J]. 王俊強(qiáng),李建勝,丁波,蔡富.  計(jì)算機(jī)測(cè)量與控制. 2019(07)
[2]利用深度殘差網(wǎng)絡(luò)的高分遙感影像語(yǔ)義分割[J]. 李欣,唐文莉,楊博.  應(yīng)用科學(xué)學(xué)報(bào). 2019(02)
[3]結(jié)合顯著圖和深度學(xué)習(xí)的遙感影像飛機(jī)目標(biāo)識(shí)別[J]. 劉相云,龔志輝,金飛,楊光,范煒康.  測(cè)繪通報(bào). 2019(03)
[4]凝視視頻衛(wèi)星目標(biāo)檢測(cè)算法[J]. 張作省,朱瑞飛.  航天返回與遙感. 2018(06)
[5]一種改進(jìn)迭代條件模型的遙感影像語(yǔ)義分割方法[J]. 黃亮,宋晶.  軟件導(dǎo)刊. 2019(01)
[6]當(dāng)代遙感科技發(fā)展的現(xiàn)狀與未來(lái)展望[J]. 張兵.  中國(guó)科學(xué)院院刊. 2017(07)
[7]視景建模中樹(shù)木紋理圖像的隨機(jī)變形網(wǎng)格方法[J]. 施冠羽,歐陽(yáng)清.  中國(guó)圖象圖形學(xué)報(bào). 2015(10)
[8]高分辨率SAR圖像中建筑物特征融合檢測(cè)算法[J]. 蘇娟,張強(qiáng),陳煒,王繼平.  測(cè)繪學(xué)報(bào). 2014(09)
[9]攝影測(cè)量與遙感技術(shù)的發(fā)展[J]. 王攀,李俊杰,孫學(xué)偉.  科技資訊. 2012(34)
[10]C4.5決策樹(shù)改進(jìn)算法研究[J]. 馮帆,徐俊剛.  電子技術(shù). 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(xué) 2018



本文編號(hào)：3149635