【摘要】：遙感影像所包含的信息豐富,如何利用遙感影像快速、準(zhǔn)確地提取地類(lèi)信息,是遙感技術(shù)應(yīng)用的關(guān)鍵問(wèn)題之一。綠地信息是城市規(guī)劃、生態(tài)環(huán)境監(jiān)測(cè)和治理所需的重要信息。利用遙感影像提取綠地信息時(shí),傳統(tǒng)算法的提取精度往往不能滿(mǎn)足實(shí)際需要,且容易出現(xiàn)錯(cuò)分和漏分現(xiàn)象。隨著遙感技術(shù)和計(jì)算機(jī)技術(shù)的快速發(fā)展,人工智能在遙感影像信息提取中的應(yīng)用越來(lái)越廣。如何利用人工智能技術(shù)快速、準(zhǔn)確地從遙感影像中提取綠地信息,對(duì)于城市規(guī)劃和生態(tài)環(huán)境監(jiān)測(cè)具有重要的意義。本文基于深度學(xué)習(xí)算法,結(jié)合卷積神經(jīng)網(wǎng)絡(luò)的語(yǔ)義分割方法,開(kāi)展了利用遙感影像進(jìn)行綠地信息提取的研究。論文的主要研究?jī)?nèi)容及結(jié)論如下:(1)學(xué)習(xí)和總結(jié)了深度學(xué)習(xí)算法,對(duì)卷積神經(jīng)網(wǎng)絡(luò)中常用的語(yǔ)義分割算法進(jìn)行了研究,對(duì)FCN、VGG、SegNet和U-Net模型進(jìn)行探討,對(duì)比分析這些模型的優(yōu)缺點(diǎn),為后續(xù)研究做準(zhǔn)備。(2)論文利用VGG網(wǎng)絡(luò)的結(jié)構(gòu),結(jié)合U-Net模型,構(gòu)建了基于VGG結(jié)構(gòu)的U-Net模型的深度學(xué)習(xí)算法。論文在分析常用的FCN、VGG、SegNet和U-Net模型優(yōu)缺點(diǎn)的基礎(chǔ)上,結(jié)合U-Net模型提取精度高且參數(shù)計(jì)算量低而VGG16模型有利于特征提取但是參數(shù)計(jì)算量較大的特點(diǎn),對(duì)深度學(xué)習(xí)的語(yǔ)義分割算法進(jìn)行改進(jìn),構(gòu)建了基于VGG結(jié)構(gòu)的U-Net模型的深度學(xué)習(xí)算法。論文將本文構(gòu)建的模型和常用的FCN、SegNet、U-Net模型開(kāi)展實(shí)驗(yàn)對(duì)比分析研究,實(shí)驗(yàn)結(jié)果表明:基于VGG結(jié)構(gòu)的U-Net模型的綠地信息提取精度優(yōu)于其它幾個(gè)模型。(3)在對(duì)常用激活函數(shù)分析研究的基礎(chǔ)上,結(jié)合TReLU和ReLU激活函數(shù)的優(yōu)點(diǎn),構(gòu)建了針對(duì)VGG結(jié)構(gòu)的U-Net模型的組合激活函數(shù)。該組合激活函數(shù)主要是通過(guò)交替使用TReLU和ReLU兩個(gè)函數(shù)來(lái)使模型的非線(xiàn)性增強(qiáng),并通過(guò)對(duì)參數(shù)調(diào)整來(lái)對(duì)負(fù)半軸非飽和區(qū)間進(jìn)行控制,從而得到需要的激活值。實(shí)驗(yàn)結(jié)果表明,該組合激活函數(shù)優(yōu)于其它的常用激活函數(shù),該組合激活函數(shù)具有軟飽和性及緩解梯度消失的特點(diǎn),且對(duì)噪聲也具有更好的魯棒性。(4)論文采用TReLU和ReLU組合激活函數(shù),結(jié)合基于VGG結(jié)構(gòu)的U-Net模型的深度學(xué)習(xí)算法,用于綠地信息提取研究,構(gòu)建了基于VGG結(jié)構(gòu)的U-Net模型的綠地信息提取方法。論文對(duì)本文構(gòu)建的綠地信息提取方法和傳統(tǒng)的綠地信息提取方法開(kāi)展了實(shí)例對(duì)比分析研究,實(shí)驗(yàn)結(jié)果表明:本文構(gòu)建的基于VGG結(jié)構(gòu)的U-Net模型的綠地信息提取方法的提取精度更高。
【圖文】：

參數(shù) 數(shù)值Learning rate 0.001*0.95epochEpoch 15Batch size 1習(xí)率（Learning rate）影響權(quán)值更新的幅度，如果把學(xué)習(xí)率設(shè)置的過(guò)大習(xí)率為 1），權(quán)重參數(shù)很大程度上會(huì)錯(cuò)過(guò)最優(yōu)值，最后在接近最優(yōu)值的附近來(lái)回跳動(dòng)[79]；相反，如果把學(xué)習(xí)率設(shè)置的過(guò)�。ɡ鐬� 10e-6），耗費(fèi)較長(zhǎng)的時(shí)間來(lái)進(jìn)行參數(shù)的優(yōu)化，導(dǎo)致算法不能快速的收斂，所以學(xué)網(wǎng)絡(luò)性能非常關(guān)鍵。本文通過(guò)多次實(shí)驗(yàn)，最后將學(xué)習(xí)率確定為隨迭代次小的迭代值，具體采用的公式如表 3.4 所示；迭代次數(shù)（Epoch）影響成本，具體的迭代次數(shù)需要根據(jù)多次實(shí)驗(yàn)以及經(jīng)驗(yàn)來(lái)設(shè)置，在設(shè)置迭代訓(xùn)練集上的準(zhǔn)確率以及損失函數(shù)要達(dá)到收斂的狀態(tài)，經(jīng)過(guò)多次的實(shí)驗(yàn)次數(shù)設(shè)置為 15；Batchsize 主要是用來(lái)設(shè)置每次輸入模型的圖像數(shù)量，要由網(wǎng)絡(luò)的結(jié)構(gòu)以及硬件 GPU 顯存容量來(lái)決定，由于本文實(shí)驗(yàn)硬件條文的 Batch size 設(shè)置為 1，也就是每次輸入圖片的數(shù)量為 1。

文用相同的訓(xùn)練集以及測(cè)試集對(duì)不同的模型進(jìn)行訓(xùn)練，在訓(xùn)練集上的圖 3.14 所示。從圖中可以看出 SegNet 模型的訓(xùn)練準(zhǔn)確率曲線(xiàn)圖一直在變化，沒(méi)有收斂于某一個(gè)值，該模型在 15 次訓(xùn)練內(nèi)沒(méi)有收斂的趨勢(shì)，斂時(shí)的次數(shù)大于 15 次，這也說(shuō)明該模型沒(méi)有其他幾個(gè)模型的收斂速度快迭代 11 次時(shí)趨于收斂狀態(tài)，，收斂時(shí)的精度為 91.3%；比 FCN 模型具有的是 U-Net 模型和 VGG 結(jié)構(gòu)的 U-Net 模型，后者收斂速度較快而且準(zhǔn)于 FCN 與 SegNet 兩個(gè)模型，U-Net 模型在迭代 10 次時(shí)就趨于收斂狀的準(zhǔn)確率為 94.5%，說(shuō)明該模型具有準(zhǔn)確率較高而且訓(xùn)練的時(shí)間成本比從圖中我們發(fā)現(xiàn)收斂速度最快的是本文提出的 VGG 結(jié)構(gòu)的 U-Net 模型命名為 VGG_Unet，該模型在訓(xùn)練 2 次時(shí)就趨近收斂，而且收斂時(shí)的準(zhǔn)確率達(dá)到 95.2%。通過(guò)對(duì)圖 3.14 的分析得到在實(shí)驗(yàn)訓(xùn)練集上本文提出速度上以及準(zhǔn)確率上都比其它的模型好。同模型在訓(xùn)練集上的損失函數(shù)如圖 3.15 所示：
【學(xué)位授予單位】：貴州大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類(lèi)號(hào)】：P237

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊斌;;人工神經(jīng)網(wǎng)絡(luò)在數(shù)據(jù)挖掘中的應(yīng)用[J];電子測(cè)試;2015年21期

2 路京選;宋文龍;曲偉;付俊娥;;跨時(shí)空觀(guān)下的遙感應(yīng)用新視野[J];遙感學(xué)報(bào);2015年06期

3 陳袁;;基于支持向量機(jī)的遙感影像分類(lèi)[J];中國(guó)科技信息;2015年17期

4 高常鑫;桑農(nóng);;基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測(cè)[J];測(cè)繪通報(bào);2014年S1期

5 陳利;林輝;孫華;;基于WorldView-2影像城市綠地信息提取研究[J];西北林學(xué)院學(xué)報(bào);2014年01期

6 李德仁;童慶禧;李榮興;龔健雅;張良培;;高分辨率對(duì)地觀(guān)測(cè)的若干前沿科學(xué)問(wèn)題[J];中國(guó)科學(xué):地球科學(xué);2012年06期

7 許新征;丁世飛;史忠植;賈偉寬;;圖像分割的新理論和新方法[J];電子學(xué)報(bào);2010年S1期

8 李天平;劉洋;李開(kāi)源;;遙感圖像優(yōu)化迭代非監(jiān)督分類(lèi)方法在流域植被分類(lèi)中的應(yīng)用[J];城市勘測(cè);2008年01期

9 羅建國(guó);趙新英;譚炳香;;城市綠地資源評(píng)估方法綜述[J];林業(yè)資源管理;2007年04期

10 于興修,楊桂山;中國(guó)土地利用/覆被變化研究的現(xiàn)狀與問(wèn)題[J];地理科學(xué)進(jìn)展;2002年01期

本文編號(hào)：2662748