為了能夠?qū)⑿l(wèi)星遙感圖像識(shí)別效果和分類(lèi)效果進(jìn)一步提高,文章主要提出了一種以卷積神經(jīng)網(wǎng)絡(luò)為基礎(chǔ)的衛(wèi)星遙感圖像區(qū)域識(shí)別的方法,通過(guò)研究可以知道該方法具有較好的模型泛化能力和模型數(shù)據(jù)表達(dá)能力,比傳統(tǒng)的圖像識(shí)別方法和卷積神經(jīng)網(wǎng)絡(luò)模型的識(shí)別效果都好,具有較好的應(yīng)用價(jià)值和應(yīng)用前景。 

【文章來(lái)源】：九江學(xué)院學(xué)報(bào)(自然科學(xué)版). 2020,35(03)

【文章頁(yè)數(shù)】：3 頁(yè)

【部分圖文】：

輸入電信號(hào)強(qiáng)度與激活頻率之間生成圖像的相關(guān)關(guān)系圖

由圖1可以看出,沒(méi)有對(duì)稱(chēng)的區(qū)域具有較大的突兀性,與Sigmoid函數(shù)之間存在較大的區(qū)別,而與另一個(gè)ReLU函數(shù)也具有相似點(diǎn)。ReLU函數(shù)如圖2所示。所以選用的激活函數(shù)為ReLU函數(shù),其相關(guān)表達(dá)式為:

當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)越深,就說(shuō)明其包含的參數(shù)越多,要想將其進(jìn)行擬合也存在較大的困難。在小維度中用LeNet5連接層模型讓該模型的數(shù)據(jù)表達(dá)能力有效增強(qiáng),也就是構(gòu)建出具有2個(gè)卷積層、池化層以及全連接層的網(wǎng)絡(luò)結(jié)構(gòu),該網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。圖3中,在CP2當(dāng)中輸入4×4的卷積核(32個(gè))與大小為2×2的maxpooling,會(huì)得到大小為32×4的特征矩陣。FC1表示擁有100個(gè)隱蔽節(jié)點(diǎn)的全連接層,使用的激活函數(shù)為ReLU函數(shù),當(dāng)經(jīng)過(guò)FC1之后就會(huì)得到100維的特征;FC2表示增加的全連接層,該全連接層中包含50個(gè)隱蔽節(jié)點(diǎn),ReLU函數(shù)成為了對(duì)應(yīng)的激活函數(shù),出現(xiàn)了50維特征。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像目標(biāo)識(shí)別與檢測(cè)[J]. 胡瓊.  寧夏師范學(xué)院學(xué)報(bào). 2019(10)
[2]基于多尺度融合特征卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像飛機(jī)目標(biāo)檢測(cè)[J]. 姚群力,胡顯,雷宏.  測(cè)繪學(xué)報(bào). 2019(10)
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類(lèi)研究[J]. 劉金廷,張彧.  青海交通科技. 2019(04)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的衛(wèi)星遙感圖像區(qū)域識(shí)別[J]. 張日升,朱桂斌,張燕琴.  信息技術(shù). 2017(11)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像場(chǎng)景分類(lèi)研究[D]. 姬騰飛.河南大學(xué) 2019



本文編號(hào)：3537385