遙感圖像識(shí)別是遙感圖像處理領(lǐng)域的一項(xiàng)重要研究課題,其主要任務(wù)是從遙感圖像中檢測(cè)出目標(biāo)候選區(qū)域并給出該候選區(qū)域的類(lèi)別。傳統(tǒng)的遙感圖像識(shí)別算法在簡(jiǎn)單的場(chǎng)景中可以取得較好的效果,但是在復(fù)雜的背景下,往往得到的效果不好。隨著深度學(xué)習(xí)的提出,深層卷積神經(jīng)網(wǎng)絡(luò)可以提取遙感圖像深層次的語(yǔ)義特征,大大提高了遙感圖像識(shí)別的準(zhǔn)確率。本文提出了基于多目標(biāo)骨架粒子群（MOBPSO）的特征選擇算法,并將該算法應(yīng)用于Faster R-CNN中,對(duì)Faster R-CNN算法中提取的候選區(qū)域特征進(jìn)行特征選擇,提高了遙感圖像識(shí)別的準(zhǔn)確率。主要工作包括以下三個(gè)方面:（1）針對(duì)利用卷積神經(jīng)網(wǎng)絡(luò)提取的遙感圖像特征存在冗余的問(wèn)題,本文提出了一種基于MOBPSO的特征選擇算法。通過(guò)與兩種經(jīng)典的多目標(biāo)特征選擇算法在12個(gè)標(biāo)準(zhǔn)數(shù)據(jù)集上進(jìn)行對(duì)比,基于MOBPSO的特征選擇算法的準(zhǔn)確率和運(yùn)行時(shí)間在大部分?jǐn)?shù)據(jù)集上優(yōu)于其它兩種算法,可以有效去除冗余特征。（2）應(yīng)用深層卷積神經(jīng)網(wǎng)絡(luò)模型,提取遙感圖像中的特征,并采用基于MOBPSO的特征選擇算法,對(duì)提取的遙感圖像特征進(jìn)行特征選擇。相比于其它兩種經(jīng)典特征選擇算法,本文提出的基于MOBPSO的特... 

【文章來(lái)源】：河北地質(zhì)大學(xué)河北省

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 論文主要研究?jī)?nèi)容
    1.4 論文組織結(jié)構(gòu)
第二章 相關(guān)技術(shù)
    2.1 遙感圖像識(shí)別
        2.1.1 候選區(qū)域提取方法
        2.1.2 特征表達(dá)方法
        2.1.3 分類(lèi)器模型
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
    2.3 本章小結(jié)
第三章 基于MOBPSO的特征選擇方法研究
    3.1 引言
        3.1.1 粒子群算法
        3.1.2 骨架粒子群算法
        3.1.3 多目標(biāo)優(yōu)化
    3.2 基于MOBPSO的特征選擇算法實(shí)驗(yàn)設(shè)計(jì)
        3.2.1 種群的編碼、解碼與評(píng)價(jià)
        3.2.2 更新外部存檔
        3.2.3 更新引導(dǎo)者Gbest和 Pbest
        3.2.4 變異操作
        3.2.5 算法描述
    3.3 性能仿真和分析
        3.3.1 數(shù)據(jù)集以及實(shí)驗(yàn)參數(shù)設(shè)置
        3.3.2 實(shí)驗(yàn)結(jié)果分析
    3.4 MOBPSO算法在遙感圖像識(shí)別中的應(yīng)用
        3.4.1 數(shù)據(jù)集
        3.4.2 遙感圖像目標(biāo)區(qū)域特征提取
        3.4.3 目標(biāo)區(qū)域特征選擇實(shí)驗(yàn)結(jié)果與分析
    3.5 本章小結(jié)
第四章 基于改進(jìn)Faster R-CNN的遙感圖像識(shí)別方法研究
    4.1 Faster R-CNN算法
        4.1.1 特征提取網(wǎng)絡(luò)
        4.1.2 候選區(qū)域生成網(wǎng)絡(luò)
        4.1.3 分類(lèi)回歸網(wǎng)絡(luò)
    4.2 Faster R-CNN算法改進(jìn)策略
    4.3 基于改進(jìn)Faster R-CNN的遙感圖像識(shí)別
        4.3.1 數(shù)據(jù)集
        4.3.2 評(píng)價(jià)標(biāo)準(zhǔn)
        4.3.3 模型調(diào)優(yōu)
        4.3.4 實(shí)驗(yàn)結(jié)果與分析
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文和科研成果
作者簡(jiǎn)介
致謝


【參考文獻(xiàn)】：
期刊論文
[1]基于SAC的特征選擇算法[J]. 張夢(mèng)林,李占山.  計(jì)算機(jī)科學(xué). 2018(02)
[2]SIFT算法優(yōu)化及其在遙感影像配準(zhǔn)中的應(yīng)用[J]. 李瑩瑩,劉慶杰,荊林海,苗峰顯.  遙感信息. 2017(02)
[3]基于人工神經(jīng)網(wǎng)絡(luò)法的遙感影像分類(lèi)研究[J]. 楊艷青,柴旭榮.  山西師范大學(xué)學(xué)報(bào)(自然科學(xué)版). 2017(01)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像艦船目標(biāo)檢測(cè)[J]. 黃潔,姜志國(guó),張浩鵬,姚遠(yuǎn).  北京航空航天大學(xué)學(xué)報(bào). 2017(09)
[5]多特征的光學(xué)遙感圖像多目標(biāo)識(shí)別算法[J]. 姬曉飛,秦寧麗,劉洋.  智能系統(tǒng)學(xué)報(bào). 2016(05)
[6]基于改進(jìn)SVM算法的高分辨率遙感影像分類(lèi)[J]. 鄧曾,李丹,柯櫻海,吳燕晨,李小娟,宮輝力.  國(guó)土資源遙感. 2016(03)



本文編號(hào)：3158008