隨著衛(wèi)星及無(wú)人機(jī)等各種對(duì)地觀測(cè)平臺(tái)系統(tǒng)的快速發(fā)展,獲取大量高分辨率遙感圖像變得越來(lái)越容易。這些高分辨率圖像已成為各種遙感圖像解譯任務(wù)的重要數(shù)據(jù)來(lái)源。遙感圖像場(chǎng)景分類是根據(jù)遙感圖像內(nèi)容將其自動(dòng)分成預(yù)先定義的語(yǔ)義類別的過(guò)程,該過(guò)程必須彌合遙感圖像的低層特征與更具區(qū)別性的高層語(yǔ)義信息之間的“語(yǔ)義鴻溝”。為了改善“語(yǔ)義鴻溝”問(wèn)題并提高場(chǎng)景分類精度,本文利用深度學(xué)習(xí)獲得更有判別性的特征,進(jìn)行有監(jiān)督、半監(jiān)督和無(wú)監(jiān)督的遙感場(chǎng)景分類研究和遙感圖像超分辨率研究。幾個(gè)數(shù)據(jù)集上的大量實(shí)驗(yàn)表明,這些方法有效地提高了場(chǎng)景分類精度。本文的主要工作和創(chuàng)新如下:（1）針對(duì)地物類型多樣、背景復(fù)雜、類內(nèi)多樣性和類間相似性的遙感場(chǎng)景圖像,提出兩種更有判別性的特征提取模型以提高場(chǎng)景分類精度。第一種是基于顯著性雙注意殘差網(wǎng)絡(luò)模型,該模型將空間注意嵌入到深度殘差網(wǎng)絡(luò)的低級(jí)特征提取跨空間的顯著性位置,將通道注意嵌入到高級(jí)特征提取跨通道的顯著性語(yǔ)義。第二種模型使用預(yù)訓(xùn)練的Inception V3網(wǎng)絡(luò)分支、有監(jiān)督對(duì)比學(xué)習(xí)和門控自注意模塊來(lái)提取更有判別性的特征表示以提高場(chǎng)景分類精度。（2）針對(duì)有標(biāo)簽的遙感圖像數(shù)量不足的問(wèn)題,提出一種基于... 

【文章來(lái)源】：重慶郵電大學(xué)重慶市

【文章頁(yè)數(shù)】：134 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
摘要
ABSTRACT
1 緒論
    1.1 研究背景與意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀與存在的問(wèn)題
        1.2.1 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.2 目前存在的問(wèn)題
    1.3 本文研究的主要內(nèi)容
    1.4 論文結(jié)構(gòu)安排
2 遙感圖像場(chǎng)景分類的相關(guān)技術(shù)
    2.1 遙感場(chǎng)景圖像的特征
    2.2 遙感場(chǎng)景分類常用數(shù)據(jù)集
    2.3 深度神經(jīng)網(wǎng)絡(luò)基本理論
        2.3.1 深度神經(jīng)網(wǎng)絡(luò)構(gòu)成
        2.3.2 深度神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過(guò)程
        2.3.3 典型深度學(xué)習(xí)模型介紹
    2.4 基于深度神經(jīng)網(wǎng)絡(luò)的遙感場(chǎng)景分類過(guò)程
        2.4.1 數(shù)據(jù)預(yù)處理
        2.4.2 模型訓(xùn)練
        2.4.3 分類預(yù)測(cè)
    2.5 本章小結(jié)
3 基于深度判別性特征提取的有監(jiān)督遙感場(chǎng)景分類模型
    3.1 引言
    3.2 基于顯著性雙注意殘差網(wǎng)絡(luò)的遙感場(chǎng)景分類模型
        3.2.1 殘差注意網(wǎng)絡(luò)
        3.2.2 SDARes Net網(wǎng)絡(luò)模型
        3.2.3 實(shí)驗(yàn)結(jié)果及分析
    3.3 基于有監(jiān)督對(duì)比學(xué)習(xí)的遙感場(chǎng)景分類模型
        3.3.1 有監(jiān)督對(duì)比損失
        3.3.2 SCRSISC網(wǎng)絡(luò)模型
        3.3.3 實(shí)驗(yàn)結(jié)果及分析
    3.4 本章小結(jié)
4 基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督遙感圖像場(chǎng)景分類模型
    4.1 引言
    4.2 基于生成對(duì)抗網(wǎng)絡(luò)的半監(jiān)督圖像分類原理
    4.3 SAGGAN網(wǎng)絡(luò)模型
        4.3.1 門控單元
        4.3.2 自注意門控模塊
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)設(shè)置
        4.4.2 不同模型的精度評(píng)估
        4.4.3 消融實(shí)驗(yàn)
        4.4.4 收斂性分析
    4.5 本章小結(jié)
5 基于自監(jiān)督生成對(duì)抗網(wǎng)絡(luò)的遙感圖像場(chǎng)景分類模型
    5.1 引言
    5.2 基于相似性損失的自監(jiān)督GANs的原理
    5.3 SGSAGAN網(wǎng)絡(luò)模型
        5.3.1 金字塔卷積
        5.3.2 門控自注意模塊
        5.3.3 譜歸一化和多級(jí)特征融合
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 實(shí)驗(yàn)設(shè)置
        5.4.2 自監(jiān)督學(xué)習(xí)的實(shí)施過(guò)程
        5.4.3 不同模型的精度評(píng)估
        5.4.4 消融實(shí)驗(yàn)
        5.4.5 SGSAGAN與預(yù)訓(xùn)練及微調(diào)模型的精度評(píng)估
        5.4.6 SGSAGAN與有監(jiān)督模型的精度評(píng)估
    5.5 本章小結(jié)
6 基于級(jí)聯(lián)生成對(duì)抗網(wǎng)絡(luò)的遙感圖像超分辨模型
    6.1 引言
    6.2 CGAN網(wǎng)絡(luò)模型
        6.2.1 CGAN的網(wǎng)絡(luò)結(jié)構(gòu)
        6.2.2 損失函數(shù)定義
        6.2.3 噪聲抑制和邊緣增強(qiáng)
    6.3 算法優(yōu)化和理論分析
        6.3.1 算法和優(yōu)化
        6.3.2 梯度消失分析
        6.3.3 訓(xùn)練的穩(wěn)定性分析
    6.4 實(shí)驗(yàn)結(jié)果與分析
        6.4.1 實(shí)驗(yàn)設(shè)置與評(píng)估方法
        6.4.2 不同模型的超分辨結(jié)果
        6.4.3 不同模型的生成性能評(píng)估
        6.4.4 超分辨結(jié)果用于場(chǎng)景分類
        6.4.5 超分辨結(jié)果的主觀評(píng)估
        6.4.6 消融實(shí)驗(yàn)
    6.5 本章小結(jié)
7 總結(jié)與展望
    7.1 工作總結(jié)
    7.2 工作展望
參考文獻(xiàn)
致謝
附錄
    A.作者在攻讀博士學(xué)位期間發(fā)表的論文目錄
    B.作者在攻讀博士學(xué)位期間主持和參與的科研項(xiàng)目


【參考文獻(xiàn)】：
期刊論文
[1]聯(lián)合多尺度多特征的高分遙感圖像場(chǎng)景分類[J]. 黃鴻,徐科杰,石光耀.  電子學(xué)報(bào). 2020(09)
[2]基于深度多分支特征融合網(wǎng)絡(luò)的光學(xué)遙感場(chǎng)景分類[J]. 張桐,鄭恩讓,沈鈞戈,高安同.  光子學(xué)報(bào). 2020(05)
[3]高分辨率光學(xué)遙感場(chǎng)景分類的深度度量學(xué)習(xí)方法[J]. 葉利華,王磊,張文文,李永剛,王贈(zèng)凱.  測(cè)繪學(xué)報(bào). 2019(06)
[4]卷積神經(jīng)網(wǎng)絡(luò)遷移的高分影像場(chǎng)景分類學(xué)習(xí)[J]. 李冠東,張春菊,王銘愷,張雪英,高飛.  測(cè)繪科學(xué). 2019(04)
[5]高分系列遙感衛(wèi)星 布設(shè)中國(guó)太空“慧眼”——我國(guó)高分專項(xiàng)建設(shè)回眸[J]. 曹福成.  中國(guó)軍轉(zhuǎn)民. 2015(01)

博士論文
[1]面向高分辨率遙感影像場(chǎng)景分類的深度卷積神經(jīng)網(wǎng)絡(luò)方法[D]. 劉艷飛.武漢大學(xué) 2019
[2]基于特征學(xué)習(xí)的高分辨率遙感圖像場(chǎng)景分類研究[D]. 胡凡.武漢大學(xué) 2017



本文編號(hào)：3620811