遙感衛(wèi)星影像能夠?qū)Φ厍虮砻嫣峁└呔�、大范圍、周期性觀測數(shù)據(jù),已被廣泛應(yīng)用于全球氣候變化研究、環(huán)境監(jiān)測、國土資源調(diào)查、城市規(guī)劃等領(lǐng)域。如何快速、高效、自動地進(jìn)行遙感數(shù)據(jù)分析與解譯,成為急需解決的問題。遙感影像分類是遙感數(shù)據(jù)處理的重要步驟,是根據(jù)感興趣目標(biāo)在遙感影像上的特征差異,判斷并標(biāo)識其類別屬性和空間分布特征（如空間位置、面積大�。┑刃畔⒌倪^程。傳統(tǒng)的基于手工特征的分類方法,難以捕獲遙感影像中包含的豐富語義信息,在實際應(yīng)用中受到很大程度的限制,所能區(qū)分的場景類別相對有限,泛化能力較差,很難用于處理訓(xùn)練集以外的圖像�；谥袑犹卣鲗鼍罢Z義建模描述的方法雖然在一定程度上提高了分類準(zhǔn)確率,但是效率較低,且仍然需要手工特征提取方面的先驗知識,缺乏發(fā)現(xiàn)高層復(fù)雜結(jié)構(gòu)特征的靈活性。近年來,深度學(xué)習(xí)在計算機(jī)視覺領(lǐng)域取得了顯著的成果,如圖像分類、人臉識別、圖像檢索等。本文借鑒深度卷積神經(jīng)網(wǎng)絡(luò)在計算機(jī)視覺圖像領(lǐng)域的相關(guān)理論和實踐經(jīng)驗,將其應(yīng)用到遙感影像場景分類中,利用深度卷積神經(jīng)網(wǎng)絡(luò)模型的學(xué)習(xí)數(shù)據(jù)本質(zhì)特征表示的能力,以減少遙感影像分類工作對人工的依賴,達(dá)到滿足遙感影像分類精度和處理速度要求的、端到端的、... 

【文章來源】：上海師范大學(xué)上海市

【文章頁數(shù)】：58 頁

【學(xué)位級別】：碩士

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖

第2章相關(guān)理論與技術(shù)上海師范大學(xué)碩士學(xué)位論文10圖2-1遙感影像自動分類處理的一般過程2.2深度卷積神經(jīng)網(wǎng)絡(luò)2.2.1原理與結(jié)構(gòu)CNN本質(zhì)上是一個多層感知機(jī)，但是由于它的局部連接、權(quán)值共享以及空間或時間上的次采樣特性，驅(qū)使卷積神經(jīng)網(wǎng)絡(luò)能夠在處理二維圖形時具有一定范圍內(nèi)的平移、縮放和扭曲不變性。典型的卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)通常由輸入層、若干層卷積層和池化層、若干層全連接層以及輸出層組成。卷積神經(jīng)網(wǎng)絡(luò)基本組成結(jié)構(gòu)如圖2-2所示，詳細(xì)可參考文獻(xiàn)[35]。圖2-2卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖卷積過程：圖2-2中的iC層表示卷積神經(jīng)網(wǎng)絡(luò)的卷積層（ConvolutionalLayer），將輸入特征與卷積核進(jìn)行卷積操作，接著在激活函數(shù)的作用下即可得到輸出特征[54]。卷積運算示例如圖2-3所示：圖2-3卷積操作其輸入為5*5大小的圖像，卷積核尺寸設(shè)置為3*3，卷積步長設(shè)置為1，從圖像的左上角位置開始，按照向右向下的順序以卷積步長大小依次滑動卷積核

池化操作


本文編號：3411031