隨著可見光衛(wèi)星遙感和航空遙感圖像分辨率的不斷提高,從中能夠解譯獲得更多的有價(jià)值信息。遙感圖像的分類和檢測是遙感影像智能分析的重要環(huán)節(jié),也是該領(lǐng)域的研究熱點(diǎn)。傳統(tǒng)方法通過采用人工設(shè)計(jì)特征結(jié)合回歸、SVM等淺層模型的方式實(shí)現(xiàn),然而由于可見光遙感圖像存在背景復(fù)雜,類內(nèi)場景差異大,目標(biāo)尺度變化大等問題,在性能提升上遇到了瓶頸。深度卷積網(wǎng)絡(luò)通過多層抽象機(jī)制,可自主學(xué)習(xí)遙感圖像的高層本質(zhì)特征,為遙感圖像的分類與檢測提供了新的解決思路。為此,本文主要研究了基于深度卷積網(wǎng)絡(luò)的可見光遙感圖像分類和檢測算法,具體內(nèi)容如下:(1)提出了隨機(jī)多選擇殘差網(wǎng)絡(luò)集成的遙感圖像分類算法。深度卷積網(wǎng)絡(luò)模型在圖像分類、目標(biāo)檢測等問題上得到了成功的應(yīng)用。但單一類型的網(wǎng)絡(luò)對于類內(nèi)差異性大以及尺度變化大的遙感場景仍然不能獲得好的分類結(jié)果,通過網(wǎng)絡(luò)集成的方法,融合多個(gè)網(wǎng)絡(luò)進(jìn)行分類,有利于提升分類準(zhǔn)確率。為此,本文提出一種基于隨機(jī)多選擇殘差網(wǎng)絡(luò)集成的遙感圖像分類算法,該算法通過多選擇學(xué)習(xí)策略,集成多個(gè)殘差網(wǎng)絡(luò)共同完成分類任務(wù),算法設(shè)置有效的集成學(xué)習(xí)目標(biāo)函數(shù),并通過隨機(jī)梯度下降算法最小化多個(gè)子網(wǎng)絡(luò)對每個(gè)樣本的最優(yōu)分類誤差,促使各個(gè)網(wǎng)...

【文章頁數(shù)】：53 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 遙感圖像分類
        1.2.2 遙感圖像目標(biāo)檢測
    1.3 本文的研究工作
第二章 相關(guān)理論基礎(chǔ)
    2.1 詞袋模型
    2.2 稀疏編碼的空間金字塔模型
    2.3 深度卷積網(wǎng)絡(luò)
        2.3.1 卷積運(yùn)算
        2.3.2 卷積網(wǎng)絡(luò)層
        2.3.3 經(jīng)典卷積網(wǎng)絡(luò)架構(gòu)
    2.4 目標(biāo)檢測網(wǎng)絡(luò)
    2.5 本章小結(jié)
第三章 隨機(jī)多選擇殘差網(wǎng)絡(luò)集成的遙感圖像分類算法
    3.1 引言
    3.2 隨機(jī)多選擇殘差網(wǎng)絡(luò)
    3.3 實(shí)驗(yàn)結(jié)果和分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)結(jié)果
    3.4 本章小結(jié)
第四章 基于YOLOv2 的大尺寸遙感圖像目標(biāo)檢測
    4.1 引言
    4.2 大尺寸遙感圖像分塊檢測模型
        4.2.1 網(wǎng)絡(luò)結(jié)構(gòu)
        4.2.2 邊界框預(yù)測
        4.2.3 非極大值抑制融合
    4.3 網(wǎng)絡(luò)訓(xùn)練與學(xué)習(xí)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境
        4.4.2 結(jié)果分析
    4.5 本章總結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
致謝
參考文獻(xiàn)
攻讀碩士期間完成的科研情況



本文編號(hào)：3907328