隨著太空遙感技術(shù)的發(fā)展,大量高精度高分辨率的遙感圖像被廣泛運(yùn)用在民用經(jīng)濟(jì)建設(shè)和軍事國(guó)防中,對(duì)遙感圖像中感興趣目標(biāo)進(jìn)行實(shí)時(shí)處理是當(dāng)下研究者們關(guān)注的問(wèn)題。在圖像處理領(lǐng)域中,計(jì)算機(jī)視覺(jué)技術(shù)一直有著獨(dú)特的優(yōu)勢(shì),卷積神經(jīng)網(wǎng)絡(luò)算法（Convolutional Neural Network,CNN）是近年來(lái)計(jì)算機(jī)視覺(jué)領(lǐng)域的新興算法,使用CNN對(duì)大量的遙感圖像進(jìn)行實(shí)時(shí)處理時(shí),利用其在特征學(xué)習(xí)和特征選擇過(guò)程中的優(yōu)勢(shì),結(jié)合算法內(nèi)部特有的局部連接和參數(shù)共享等特性,可以快速地對(duì)遙感圖像中特征進(jìn)行提取與識(shí)別。CNN在圖像處理中既可以達(dá)到較高的準(zhǔn)確率,又能夠解決圖像的位移和形變的問(wèn)題,因此可將CNN運(yùn)用到遙感衛(wèi)星圖像實(shí)時(shí)處理系統(tǒng)中。本文以工程應(yīng)用為背景,在分析和總結(jié)卷積神經(jīng)網(wǎng)絡(luò)算法層級(jí)結(jié)構(gòu)特點(diǎn)基礎(chǔ)上,充分利用現(xiàn)場(chǎng)可編程邏輯陣列（Field Programmable Gate Array,FPGA）的優(yōu)勢(shì)構(gòu)建硬件實(shí)現(xiàn)技術(shù)平臺(tái),提出一種基于FPGA平臺(tái)的卷積神經(jīng)網(wǎng)絡(luò)實(shí)時(shí)處理遙感圖像方案。本文的研究?jī)?nèi)容包括:（1）根據(jù)項(xiàng)目需求,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)與特性,對(duì)LeNet-5卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行優(yōu)化。通過(guò)增大輸入圖像尺寸并增加... 

【文章來(lái)源】：河北大學(xué)河北省

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

LeNet-5網(wǎng)絡(luò)結(jié)構(gòu)

河北大學(xué)碩士學(xué)位論文8卷積層卷積過(guò)程如圖2-2所示，輸入圖像為55，卷積核為33。卷積核以滑窗滑動(dòng)形式掃描輸入圖像，將卷積核的權(quán)值和輸入圖像的像素值進(jìn)行矩陣計(jì)算。由公式（2.2）W912+W812+W811+W68+W57+W46+W33+W22+W11g1。卷積核按照順序滑動(dòng)對(duì)窗口內(nèi)的輸入圖像逐一進(jìn)行乘累加計(jì)算，直到輸入的55圖像全部掃過(guò)，最終得到33的輸出。圖2-2卷積過(guò)程需要注意的是在這里輸出尺寸計(jì)算公式如公式（2.2）所示。1]2)([SPKMO（2.2）其中輸出尺寸為（OO），輸入原圖尺寸為（MM），卷積核尺寸為（KK），P（pading）代表外圍補(bǔ)0的層數(shù)，S（stride）代表滑窗滑動(dòng)的步進(jìn)。卷積計(jì)算中卷積核以滑窗的形式在輸入圖像上遍歷的過(guò)程，就是使用了CNN中局部連接與參數(shù)共享的特性。局部連接的思想是受到生物學(xué)視覺(jué)系統(tǒng)結(jié)構(gòu)中視覺(jué)皮層的神經(jīng)元局部接受信息的方式所啟發(fā)的。通過(guò)局部連接不僅提取了網(wǎng)絡(luò)中特征信息，還利用到了像素之間的位置信息。參數(shù)共享是指在卷積核對(duì)圖像進(jìn)行遍歷過(guò)程中，使用同一個(gè)卷積核對(duì)圖像進(jìn)行卷積，使整個(gè)圖像信息中的所有元素都“共享”這個(gè)卷積核的參數(shù)。通過(guò)對(duì)參數(shù)進(jìn)行共享，減少了卷積神經(jīng)網(wǎng)絡(luò)中參數(shù)的數(shù)量[30]，使特征提取更有效。利用CNN特有的局部連接和參數(shù)共享對(duì)輸入圖像進(jìn)行操作，可以減少圖像中參數(shù)的數(shù)量，并可以高效提取圖像中目標(biāo)的特征，提升網(wǎng)絡(luò)整體性能。2.1.2池化層池化層（pooling）通常稱為下采樣層，它本身是非線性的。該層對(duì)卷積層輸出的特征映射圖做下采樣操作，可以理解為將某個(gè)點(diǎn)的輸出替換為這個(gè)點(diǎn)周圍輸出的統(tǒng)計(jì)信

第二章相關(guān)技術(shù)分析9息。具體操作方式是將部分特征映射圖以22滑窗形式滑動(dòng)，取對(duì)應(yīng)4個(gè)窗格中最大的值作為窗格中心的值并生成新的特征映射圖稱之為最大值池化；取4個(gè)窗格中的平均值作為窗格中心的值并生成新的特征映射圖輸出的稱之為均值池化。通過(guò)池化操作可以再一次減小特征圖像中像素的大小進(jìn)而減少了下層運(yùn)算的計(jì)算量，其運(yùn)算示意圖如圖2-3所示。圖2-3池化過(guò)程卷積神經(jīng)網(wǎng)絡(luò)中池化的引入，極大降低了特征的計(jì)算復(fù)雜度，池化過(guò)程公式如公式2.3所示))((1ljljljljXdbXownf（2.3）式中l(wèi)jX表示l層池化層的第j個(gè)特征圖；xf)(表示激活函數(shù)；lj卷積特征圖ljX的偏置；xdown)(表示池化函數(shù)；ljb卷積特征圖ljX的加性偏置，卷積層或者池化層后都需要將偏移量添加到每個(gè)輸出特征映射圖中的每個(gè)像素上[31]。由圖2-3可知在進(jìn)行最大值池化時(shí)，輸出的第一個(gè)值是max（3,2,5,6）=6；均值池化時(shí)，輸出的第一個(gè)值是（3+2+5+6）/4=4。通過(guò)池化層操作后，減少了網(wǎng)絡(luò)中參數(shù)的數(shù)量，降低了統(tǒng)計(jì)特征的維度，并且不易形成過(guò)擬合。通過(guò)減少數(shù)據(jù)量從而縮小圖像的規(guī)模，進(jìn)而提升系統(tǒng)整體計(jì)算速度。但此時(shí)的網(wǎng)絡(luò)還是線性結(jié)構(gòu)，因此需要加入激活函數(shù)對(duì)網(wǎng)絡(luò)做非線性變換。2.1.3激活函數(shù)在沒(méi)有添加激活函數(shù)的傳統(tǒng)網(wǎng)絡(luò)中，網(wǎng)絡(luò)的表達(dá)方式可以看做線性表達(dá)，即使網(wǎng)絡(luò)的深度加深，網(wǎng)絡(luò)也很難有效地模擬實(shí)際環(huán)境中非線性分布的數(shù)據(jù)[32]，只能是線性映射


本文編號(hào)：3431587