基于Alex Net模型框架,提出一種改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型,通過使用較小的卷積核,保留圖像或特征圖像的空間尺寸,增加BN層（batch normalization）方式,并使用mini-batch和梯度下降算法相結(jié)合對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。將改進(jìn)后的模型應(yīng)用于遙感圖像場景分類,實(shí)驗(yàn)結(jié)果表明,與傳統(tǒng)的AlexNet模型比較,改進(jìn)后的模型提高了收斂速度,分類準(zhǔn)確率為0.961 4,誤分率為0.038 6,Kappa系數(shù)為0.959 4,分類準(zhǔn)確率提升了2.2%。 

【文章頁數(shù)】：7 頁

【文章目錄】：
0 引言
1 場景分類在遙感影像中的應(yīng)用
2 卷積神經(jīng)網(wǎng)絡(luò)原理
3 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型
    3.1 改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)
    3.2 卷積神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練及驗(yàn)證
4 實(shí)驗(yàn)和分析
    4.1 實(shí)驗(yàn)環(huán)境
    4.2 實(shí)驗(yàn)分析
5 結(jié)論


【參考文獻(xiàn)】：
期刊論文
[1]基于深度卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像場景分類[J]. 孟慶祥,吳玄.  測繪通報(bào). 2019(07)
[2]圖像場景分類技術(shù)綜述[J]. 田艷玲,張維桐,張鍥石,路綱,吳曉軍.  電子學(xué)報(bào). 2019(04)
[3]基于多尺度特征融合的遙感圖像場景分類[J]. 楊州,慕曉冬,王舒洋,馬晨暉.  光學(xué)精密工程. 2018(12)
[4]基于CNN模型的遙感圖像復(fù)雜場景分類[J]. 張康,黑保琴,李盛陽,邵雨陽.  國土資源遙感. 2018(04)
[5]基于集成卷積神經(jīng)網(wǎng)絡(luò)的遙感影像場景分類[J]. 張曉男,鐘興,朱瑞飛,高放,張作省,鮑松澤,李竺強(qiáng).  光學(xué)學(xué)報(bào). 2018(11)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類研究[J]. 李亞飛,董紅斌.  智能系統(tǒng)學(xué)報(bào). 2018(04)
[7]基于TensorFlow的不同深層卷積神經(jīng)網(wǎng)絡(luò)的對(duì)比與分析[J]. 金釗.  電子世界. 2018(06)
[8]基于泛化深度遷移特征的高分遙感場景分類[J]. 羅暢,王潔,王世強(qiáng),史通,任衛(wèi)華.  系統(tǒng)工程與電子技術(shù). 2018(03)
[9]基于卷積神經(jīng)網(wǎng)絡(luò)模型的遙感圖像分類[J]. 付秀麗,黎玲萍,毛克彪,譚雪蘭,李建軍,孫旭,左志遠(yuǎn).  高技術(shù)通訊. 2017(03)
[10]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)

碩士論文
[1]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像土地利用分類[D]. 門計(jì)林.中國地質(zhì)大學(xué) 2019
[2]基于深度神經(jīng)網(wǎng)絡(luò)的道路目標(biāo)檢測研究[D]. 陳佳鵬.西南交通大學(xué) 2018
[3]遞歸型卷積神經(jīng)網(wǎng)絡(luò)的研究及其應(yīng)用[D]. 王巧云.蘇州大學(xué) 2017



本文編號(hào)：3711165