隨著神經(jīng)網(wǎng)絡(luò)技術(shù)不斷成熟,影像分辨率不斷提高,使得各類影像的信息識(shí)別與識(shí)別技術(shù)受到越來越廣泛的關(guān)注。近年來,無人機(jī)（Unmanned Aerial Vehicle,UAV）航空攝影技術(shù)的迅速發(fā)展,對(duì)信息識(shí)別算法和分類提出了更高的標(biāo)準(zhǔn),傳統(tǒng)的識(shí)別算法需要對(duì)特定的數(shù)據(jù)集設(shè)計(jì)合適的特性提取工具。相對(duì)于傳統(tǒng)的識(shí)別算法而言,卷積神經(jīng)網(wǎng)絡(luò)能夠自動(dòng)識(shí)別導(dǎo)入數(shù)據(jù)的復(fù)雜結(jié)構(gòu),而且其深層次的結(jié)構(gòu)特性,能夠?qū)\層提取到的簡(jiǎn)單特性逐層整合為更加適合任務(wù)需求的抽象特性。通過對(duì)結(jié)構(gòu)的層數(shù)以及寬度進(jìn)行調(diào)整即可改變卷積神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力,使得整體構(gòu)架有著足夠的靈活性。本文針對(duì)航攝影像的處理需求,提出了基于卷積神經(jīng)網(wǎng)絡(luò)的航攝影像信息識(shí)別方法。本文實(shí)驗(yàn)是基于Tensor Flow機(jī)器學(xué)習(xí)平臺(tái)開發(fā)和改進(jìn)基于區(qū)域卷積神經(jīng)網(wǎng)絡(luò)信息識(shí)別模型,實(shí)現(xiàn)基于航攝影像的目標(biāo)信息的識(shí)別。首先是平臺(tái)環(huán)境搭建與數(shù)據(jù)集準(zhǔn)備,結(jié)合Tensor Flow平臺(tái)的高度靈活性和性能最優(yōu)化搭載高效率的GPU為實(shí)驗(yàn)環(huán)境奠定了基礎(chǔ)。卷積神經(jīng)網(wǎng)絡(luò)模型中包含大量的自由參數(shù),在訓(xùn)練數(shù)據(jù)偏少的情況下,容易出現(xiàn)過擬合的問題,通過數(shù)據(jù)擴(kuò)充的方式不僅能有效的擴(kuò)充訓(xùn)練樣本數(shù)量,... 

【文章來源】：遼寧科技大學(xué)遼寧省

【文章頁數(shù)】：97 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

航攝影像

遼寧科技大學(xué)碩士學(xué)位論文7圖2.1MP神經(jīng)元的數(shù)學(xué)模型Figure2.1MathematicalModelofMPNeurons圖2.2Sigmoid函數(shù)Figure2.2SigmoidFunction在訓(xùn)練神經(jīng)網(wǎng)絡(luò)方面，最常態(tài)、最有效的算法肯定為反向傳遞[27,38]。這是一種有監(jiān)視學(xué)習(xí)算法，其運(yùn)行思路為，準(zhǔn)備一組訓(xùn)練學(xué)習(xí)樣本，并表明相應(yīng)的導(dǎo)入且標(biāo)記對(duì)應(yīng)的導(dǎo)出。但是，在20世紀(jì)80年代末期，反向傳遞似乎還只是對(duì)淺層網(wǎng)絡(luò)有效，盡管原理上也應(yīng)對(duì)深層網(wǎng)絡(luò)有效。淺層網(wǎng)絡(luò)主要是指具備獨(dú)立隱含層的神經(jīng)網(wǎng)絡(luò)，見圖2.3所示。深層網(wǎng)絡(luò)則主要是指具備2個(gè)及多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)，見圖2.4所示。在早期的應(yīng)用中，大多數(shù)多層感知器都只用1個(gè)或很少的隱含層，增加隱含層基本沒有什么經(jīng)驗(yàn)上的收益。這現(xiàn)象可以在神經(jīng)網(wǎng)絡(luò)的單隱層感知器貼近原理中找到某種解釋[39-40]，該原理指出，僅需單隱層感知器包羅的隱含神經(jīng)元數(shù)量充裕，即可以同閉區(qū)間上任何精度貼近任意的多變量連續(xù)函數(shù)。直到1991年的時(shí)候，關(guān)于多層感知器在增加層數(shù)時(shí)為什么難學(xué)習(xí)的問題，才作為深度學(xué)習(xí)的根本難點(diǎn)，得到了完全的解決。

遼寧科技大學(xué)碩士學(xué)位論文7圖2.1MP神經(jīng)元的數(shù)學(xué)模型Figure2.1MathematicalModelofMPNeurons圖2.2Sigmoid函數(shù)Figure2.2SigmoidFunction在訓(xùn)練神經(jīng)網(wǎng)絡(luò)方面，最常態(tài)、最有效的算法肯定為反向傳遞[27,38]。這是一種有監(jiān)視學(xué)習(xí)算法，其運(yùn)行思路為，準(zhǔn)備一組訓(xùn)練學(xué)習(xí)樣本，并表明相應(yīng)的導(dǎo)入且標(biāo)記對(duì)應(yīng)的導(dǎo)出。但是，在20世紀(jì)80年代末期，反向傳遞似乎還只是對(duì)淺層網(wǎng)絡(luò)有效，盡管原理上也應(yīng)對(duì)深層網(wǎng)絡(luò)有效。淺層網(wǎng)絡(luò)主要是指具備獨(dú)立隱含層的神經(jīng)網(wǎng)絡(luò)，見圖2.3所示。深層網(wǎng)絡(luò)則主要是指具備2個(gè)及多個(gè)隱含層的神經(jīng)網(wǎng)絡(luò)，見圖2.4所示。在早期的應(yīng)用中，大多數(shù)多層感知器都只用1個(gè)或很少的隱含層，增加隱含層基本沒有什么經(jīng)驗(yàn)上的收益。這現(xiàn)象可以在神經(jīng)網(wǎng)絡(luò)的單隱層感知器貼近原理中找到某種解釋[39-40]，該原理指出，僅需單隱層感知器包羅的隱含神經(jīng)元數(shù)量充裕，即可以同閉區(qū)間上任何精度貼近任意的多變量連續(xù)函數(shù)。直到1991年的時(shí)候，關(guān)于多層感知器在增加層數(shù)時(shí)為什么難學(xué)習(xí)的問題，才作為深度學(xué)習(xí)的根本難點(diǎn)，得到了完全的解決。

【參考文獻(xiàn)】：
期刊論文
[1]結(jié)合YOLO檢測(cè)和語義分割的駕駛員安全帶檢測(cè)[J]. 吳天舒,張志佳,劉云鵬,郭婉妍,王子韜.  計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào). 2019(01)
[2]基于空間金字塔池化的深度卷積神經(jīng)網(wǎng)絡(luò)多聚焦圖像融合[J]. 梅禮曄,郭曉鵬,張俊華,郭正紅,肖佳.  云南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(01)
[3]基于局部保留降維卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類算法[J]. 齊永鋒,李發(fā)勇.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(03)
[4]基于Mask R-CNN的物體識(shí)別和定位[J]. 彭秋辰,宋亦旭.  清華大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(02)
[5]多層前向人工神經(jīng)網(wǎng)絡(luò)圖像分類算法[J]. 顧哲彬,曹飛龍.  計(jì)算機(jī)科學(xué). 2018(S2)
[6]基于ImageNet預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像檢索[J]. 葛蕓,江順亮,葉發(fā)茂,許慶勇,唐祎玲.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(01)
[7]基于深度殘差網(wǎng)絡(luò)的脫機(jī)手寫漢字識(shí)別研究[J]. 張帆,張良,劉星,張宇.  計(jì)算機(jī)測(cè)量與控制. 2017(12)
[8]基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜圖像譜-空聯(lián)合分類[J]. 付光遠(yuǎn),辜弘煬,汪洪橋.  科學(xué)技術(shù)與工程. 2017(21)
[9]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)
[10]神經(jīng)心理學(xué)下的潛意識(shí)交互設(shè)計(jì)方法[J]. 劉柏松,辛向陽,劉源.  包裝工程. 2016(10)

博士論文
[1]面向交通擁堵預(yù)測(cè)大數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)群組快速學(xué)習(xí)[D]. 沈晴.北京科技大學(xué) 2017

碩士論文
[1]基于CNN一體化的目標(biāo)識(shí)別、定位、檢測(cè)[D]. 饒江浩.中國科學(xué)院大學(xué)(中國科學(xué)院光電技術(shù)研究所) 2018
[2]基于計(jì)算機(jī)視覺的安全輔助駕駛系統(tǒng)[D]. 李林糠.西安電子科技大學(xué) 2018
[3]基于卷積神經(jīng)網(wǎng)絡(luò)的高分辨率遙感影像建筑物提取[D]. 高揚(yáng).南京大學(xué) 2018
[4]基于多尺度互特征卷積神經(jīng)網(wǎng)絡(luò)的深度圖像增強(qiáng)[D]. 廖軒.華南理工大學(xué) 2018
[5]基于YOLOv2的實(shí)時(shí)目標(biāo)檢測(cè)研究[D]. 雷維卓.重慶大學(xué) 2018
[6]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)服務(wù)平臺(tái)研究與實(shí)現(xiàn)[D]. 林昌偉.北京郵電大學(xué) 2018
[7]深度神經(jīng)網(wǎng)絡(luò)的可視化理解方法研究[D]. 趙新杰.哈爾濱工程大學(xué) 2018
[8]超大規(guī)模紅外探測(cè)器與單點(diǎn)冷源的低溫耦合研究[D]. 夏晨希.中國科學(xué)院大學(xué)(中國科學(xué)院上海技術(shù)物理研究所) 2017
[9]基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)檢測(cè)及分類方法研究[D]. 劉彬.西安電子科技大學(xué) 2017
[10]基于卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別研究與實(shí)現(xiàn)[D]. 楊眷玉.電子科技大學(xué) 2016



本文編號(hào)：2953715