隨著人工智能技術(shù)的蓬勃發(fā)展,人們對(duì)于新型“智慧城市”的出現(xiàn)越發(fā)期待,而構(gòu)建新型“智慧城市”的關(guān)鍵在于對(duì)不同城市區(qū)域的智能識(shí)別。城市的日常運(yùn)轉(zhuǎn)過程中通常伴隨著海量來自移動(dòng)終端、監(jiān)控設(shè)備、衛(wèi)星、記錄儀等處的數(shù)據(jù)產(chǎn)生。這些數(shù)據(jù)構(gòu)成了對(duì)不同區(qū)域功能模式的間接表述,而挖掘此類數(shù)據(jù)能夠?qū)崿F(xiàn)對(duì)不同城市區(qū)域的分類。機(jī)器學(xué)習(xí)中,通常稱數(shù)據(jù)的客觀存在形式為其模態(tài)。在城市區(qū)域分類問題中,單模態(tài)學(xué)習(xí)常存在信息單一、類間偏重較大、分類精度有限等不足;而多模態(tài)學(xué)習(xí)又存在研究方法不統(tǒng)一、多模態(tài)融合效率低等不足。針對(duì)上述問題,本文選擇遙感圖像與用戶訪問記錄兩種模態(tài)的數(shù)據(jù),由單模態(tài)分類的研究入手,繼而提出基于深度學(xué)習(xí)的跨模態(tài)分類框架。針對(duì)遙感圖像這一數(shù)據(jù)模態(tài),本文首先以遷移學(xué)習(xí)的方式檢測(cè)了 VGG16、ResNet、GoogleNet、DenseNet等經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)的分類性能。然后,根據(jù)遙感圖像空間信息缺失等特點(diǎn),分別引入基于通道的注意力機(jī)制與基于空間的注意力機(jī)制來提高網(wǎng)絡(luò)的特征學(xué)習(xí)能力。實(shí)驗(yàn)證明,在3種不同分辨率的數(shù)據(jù)集上,引入注意力機(jī)制后的卷積神經(jīng)網(wǎng)絡(luò)的分類精度明顯提高,且圖像分辨率越低,提升效果越明顯。在低分... 

【文章來源】：山東大學(xué)山東省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：77 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 研究背景及意義
    1.2 研究現(xiàn)狀
        1.2.1 基于圖像模態(tài)的分類研究
        1.2.2 基于其他模態(tài)的分類研究
        1.2.3 多模態(tài)融合
    1.3 論文主要內(nèi)容及章節(jié)安排
        1.3.1 論文主要內(nèi)容
        1.3.2 章節(jié)安排
第2章 基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類
    2.1 backbone的選擇
        2.1.1 VGG16網(wǎng)絡(luò)結(jié)構(gòu)
        2.1.2 GoogleNet網(wǎng)絡(luò)
        2.1.3 DenseNet網(wǎng)絡(luò)
    2.2 基于注意力機(jī)制的低分辨率遙感圖分類
        2.2.1 SENet網(wǎng)絡(luò)
        2.2.2 RA-CNN網(wǎng)絡(luò)
    2.3 實(shí)驗(yàn)結(jié)果與分析
        2.3.1 數(shù)據(jù)集介紹
        2.3.2 不同模型對(duì)比與backbone的選擇
        2.3.3 圖像模態(tài)誤差分析
    2.4 本章小結(jié)
第3章 基于非對(duì)稱-卷積神經(jīng)網(wǎng)絡(luò)的訪問記錄分類
    3.1 數(shù)據(jù)重構(gòu)
        3.1.1 基于卷積思想的數(shù)據(jù)重構(gòu)
        3.1.2 ResNext網(wǎng)絡(luò)
    3.2 基于時(shí)序展開的數(shù)據(jù)重構(gòu)與分類模型
        3.2.1 時(shí)序展開
        3.2.2 時(shí)序展開的分類模型
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)細(xì)節(jié)
        3.3.2 實(shí)驗(yàn)結(jié)果對(duì)比與分析
        3.3.3 重構(gòu)方式2的數(shù)據(jù)可視化
    3.4 本章小結(jié)
第4章 基于深度學(xué)習(xí)的跨模態(tài)分類模型
    4.1 集成學(xué)習(xí)
        4.1.1 投票法
        4.1.2 加權(quán)法
        4.1.3 Stacking方式
    4.2 雙通道卷積神經(jīng)網(wǎng)絡(luò)
        4.2.1 基本原理
        4.2.2 DC-CNN模型結(jié)構(gòu)設(shè)計(jì)
    4.3 實(shí)驗(yàn)結(jié)果與分析
        4.3.1 不同DC-CNN分類效果分析
        4.3.2 多模態(tài)融合的本質(zhì)
        4.3.3 特征融合與決策融合的對(duì)比
        4.3.4 基于Stacking策略的混合融合
    4.4 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文
附錄
學(xué)位論文評(píng)閱及答辯情況表


【參考文獻(xiàn)】：
期刊論文
[1]基于因子分析和聚類分析的城市軌交站區(qū)功能識(shí)別方法[J]. 宮同偉,運(yùn)迎霞.  統(tǒng)計(jì)與決策. 2020(05)
[2]面向深度學(xué)習(xí)的多模態(tài)融合技術(shù)研究綜述[J]. 何俊,張彩慶,李小珍,張德海.  計(jì)算機(jī)工程. 2020(05)
[3]基于尺度注意力網(wǎng)絡(luò)的遙感圖像場(chǎng)景分類[J]. 邊小勇,費(fèi)雄君,穆楠.  計(jì)算機(jī)應(yīng)用. 2020(03)
[4]圖像物體分類與檢測(cè)算法綜述[J]. 黃凱奇,任偉強(qiáng),譚鐵牛.  計(jì)算機(jī)學(xué)報(bào). 2014(06)
[5]基于居民購(gòu)物消費(fèi)行為的上海城市商業(yè)空間結(jié)構(gòu)研究[J]. 柴彥威,翁桂蘭,沈潔.  地理研究. 2008(04)
[6]基于多特征的遙感影像分類方法[J]. 陳秋曉,駱劍承,周成虎,鄭江,魯學(xué)軍,沈占鋒.  遙感學(xué)報(bào). 2004(03)

博士論文
[1]雙支路深度神經(jīng)網(wǎng)絡(luò)下的遙感圖像配準(zhǔn)及多分辨率融合分類[D]. 朱浩.西安電子科技大學(xué) 2019

碩士論文
[1]基于新浪微博的城市區(qū)域功能描述與人群流動(dòng)分析[D]. 夏天禹.上海大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類算法研究[D]. 梁曉旭.西安電子科技大學(xué) 2018
[3]基于注意力機(jī)制的圖像分類深度學(xué)習(xí)方法研究[D]. 王培森.中國(guó)科學(xué)技術(shù)大學(xué) 2018
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類和分割方法研究[D]. 蒲勇飛.哈爾濱工業(yè)大學(xué) 2018



本文編號(hào)：3190626