我國(guó)海域范圍廣闊,海島作為海洋的重要組成部分,對(duì)我國(guó)的海洋生態(tài)、海洋經(jīng)濟(jì)、國(guó)土安全等方面具有重要的意義。然而當(dāng)前我國(guó)在海島變化檢測(cè)方法及技術(shù)路線(xiàn)方面的探究較少,導(dǎo)致海島變化檢測(cè)工作周期長(zhǎng)、時(shí)延大,現(xiàn)有方法工作量較大,精確度較低。因此,開(kāi)展海島變化自動(dòng)檢測(cè)的研究勢(shì)在必行。本文以海島范圍內(nèi)語(yǔ)義級(jí)別的變化檢測(cè)為目標(biāo),構(gòu)建端到端的遙感影像變化檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu),結(jié)合海島的環(huán)境特點(diǎn)、海島地表覆蓋特點(diǎn)、海島變化檢測(cè)工作現(xiàn)狀,探究可以滿(mǎn)足當(dāng)前海島監(jiān)視監(jiān)測(cè)工作實(shí)際情況的海島變化自動(dòng)檢測(cè)方法,最終完成與其他變化檢測(cè)方法的對(duì)比實(shí)驗(yàn),并對(duì)東海區(qū)域內(nèi)的典型海島進(jìn)行變化檢測(cè)與分析。本文的主要研究?jī)?nèi)容如下。（1）構(gòu)建端到端的UNet++變化檢測(cè)網(wǎng)絡(luò),結(jié)合多尺度特征融合的深度監(jiān)督方法,構(gòu)建二元交叉熵與Dice系數(shù)相結(jié)合的混合損失函數(shù),基于殘差結(jié)構(gòu)與批歸一化操作改進(jìn)卷積塊結(jié)構(gòu)。設(shè)計(jì)激活函數(shù)與參數(shù)初始化方法,利用熱重啟的余弦退火方式動(dòng)態(tài)調(diào)整學(xué)習(xí)率以?xún)?yōu)化模型訓(xùn)練過(guò)程。（2）對(duì)面向海島場(chǎng)景的變化自動(dòng)檢測(cè)方法進(jìn)行探究。分析當(dāng)前海島變化檢測(cè)研究背景,探究海島場(chǎng)景面臨的困難與挑戰(zhàn),將變化檢測(cè)與海島四項(xiàng)基本要素監(jiān)視監(jiān)測(cè)相結(jié)合,探究各環(huán)節(jié)... 

【文章來(lái)源】：浙江大學(xué)浙江省 211工程院校 985工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：80 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖１．１論文組織結(jié)構(gòu)圖??

于梯度學(xué)習(xí)的卷積神經(jīng)網(wǎng)絡(luò)算法，設(shè)計(jì)了?ＣＮＮ摸??型ＬｅＮｅｔ－５，并成功應(yīng)用于手寫(xiě)數(shù)字的識(shí)別，在郵政領(lǐng)域產(chǎn)生了實(shí)際的商業(yè)價(jià)值，??為后續(xù)ＣＮＮ的發(fā)展奠定了基矗Ｇｅｏｆｆｒｅｙ?Ｅ．?Ｈｉｎｔｏｎ等（２０１２）提出Ａｌｅｘ－Ｎｅｔ，??該模型在備受矚目的ＩｍａｇｅＮｅｔ圖像分類(lèi)競(jìng)賽中取得了突出的成就，自此ＣＮＮ在??計(jì)算機(jī)視覺(jué)領(lǐng)域得到廣泛應(yīng)用。在后續(xù)的研究中，涌現(xiàn)出ＶＧＧ－Ｎｅｔｓ、Ｎｅｔｗｏｒｋ－??Ｉｎ－Ｎｅｔｗｏｒｋ等諸多以ＬｅＮｅｔ－５網(wǎng)絡(luò)模型為基礎(chǔ)的優(yōu)秀神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。??如圖２．１所示為ＬｅＮｅｔ－５網(wǎng)絡(luò)結(jié)構(gòu)，圖中每一個(gè)矩形代表一張?zhí)卣鲌D，分別??用Ｃ、Ｓ、Ｆ表示卷積層、池化層與全連接層，字母后的數(shù)字為層數(shù)索引。ＣＮＮ??的中間層的基本組成單元包括卷積層、激活函數(shù)、池化層、全連接層。其中卷積??層與池化層是神經(jīng)網(wǎng)絡(luò)中的典型結(jié)構(gòu)。??Ｃ３：?ｆ．?ｍａｐｓ?１６＠?１０ｘ１０??）ＮＰＵＴ?Ｃ１：?ｆｅａｔｕｒｅ?ｍａｐｓ?Ｓ４：?ｆ．?ｍａｐｓ?１６＠５ｘ５??Ｉ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ?｜?Ｇａｕｓｓｉａｎ?ｃｏｎｎｅｃｔｉｏｎｓ??Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｃｏｎｖｏｌｕｔｉｏｎｓ?Ｓｕｂｓａｍｐｌｉｎｇ?Ｆｕｌｌ?ｃｏｎｎｅｃｔｉｏｎ??圖２．１?ＬｅＮｅｔ－５網(wǎng)絡(luò)結(jié)構(gòu)??（１）卷積層??卷積層的作用在于特征提齲在卷積層中，對(duì)輸入?yún)?shù)根據(jù)卷積核與卷積步??長(zhǎng)進(jìn)行卷積操作。卷積是一種局部操作，其基本單元為卷積核（濾波器），通過(guò)??卷積核作用于圖像的局部區(qū)域從而獲得所在范圍的局部信息。筒單的卷積核可以??學(xué)習(xí)到圖像中邊緣、顏色、形狀、紋理等基本模式，通過(guò)組合各種卷積核，

卷積層主要具有局部連接和權(quán)值共享的特點(diǎn)。局部連接的原理在于在圖像中??越相近的范圍內(nèi)其相關(guān)性則越強(qiáng)，在卷積操作中可以較好的提取出局部的特征。??杈值共享則保征了卷積神經(jīng)網(wǎng)絡(luò)其快速學(xué)習(xí)的能力Ｑ．??１?１１１?ＵｌＵ?１１??ｏ?Ｔ?ｏ?Ｔ?ｏ?—＿＿?Ｊ?１１２１?ｏ?ＩＴ??丁丁?ｏＬ〇Ｊ?ｉ?￣ｏ￣?／ＴＴＴ￣ｏ￣??ＴＴＴ?ｉｆ＞＾｜?ＴＴＴＴ??ＴＴＴ￣ｏ￣ＴＴ、丨０１１１?〇?丨?ＴＴＴＴ??ｏ?Ｔ?ｏ?ｏ?ｏ?Ｔ??輸入層?卷積核?特征圖??圖２．２卷積操作??（２）匯合層??匯合操作是一種降采樣的操作，匯合層不包括需要學(xué)習(xí)的參數(shù)，只需要指走??匯合類(lèi)型、匯合操作核的大小及步長(zhǎng)完成操作。常見(jiàn)的匯合類(lèi)型包括平均值匯合、??最大值匯合、隨機(jī)值匯合等。如圖２．３所示為最大值匯合操作示意圖，最大值匯??合操作對(duì)當(dāng)前區(qū)域的對(duì)象選取最大值作為降采樣的結(jié)果。??匯合層仿照人的視覺(jué)系統(tǒng)而設(shè)計(jì)，對(duì)輸入對(duì)象進(jìn)行降維和抽象ｉ匯合操作使??模型可以更好的關(guān)注是否存在某些特征，同時(shí)匯合操作使得模型可以抽取更廣泛??的特征，顯著減小了網(wǎng)絡(luò)中下一層的輸入規(guī)模，有效的控制了模型的計(jì)算量及參??數(shù)大校在一定程度上可以防止過(guò)擬合。??Ｔ］?１?２?４??５?６?７?８?６?８??３?２?１?０?３?４??Ｔ］?２?３?Ｔ｜??圖２３最大值匯合操作??２．２．２全卷積神經(jīng)網(wǎng)絡(luò)??與分類(lèi)任務(wù)中的得到概率結(jié)果不詞，語(yǔ)義分割是像素緩別的圖像分析，需要??將單獨(dú)的像素映射標(biāo)簽，ＣＮＮ在進(jìn)行卷積和池化的過(guò)程中特征圖像的尺＊＃逐漸：??１１??

【參考文獻(xiàn)】：
期刊論文
[1]基于遙感的遼寧無(wú)居民海島開(kāi)發(fā)利用情況動(dòng)態(tài)監(jiān)測(cè)[J]. 楊亦寧.  科技創(chuàng)新與應(yīng)用. 2019(20)
[2]多時(shí)相遙感影像變化檢測(cè)方法綜述[J]. 眭海剛,馮文卿,李文卓,孫開(kāi)敏,徐川.  武漢大學(xué)學(xué)報(bào)(信息科學(xué)版). 2018(12)
[3]無(wú)居民海島開(kāi)發(fā)利用適宜性評(píng)價(jià)——以防城港市六墩島為例[J]. 葉祖超,孫燕,高勁松,申友利.  海洋環(huán)境科學(xué). 2018(06)
[4]基于高分辨率影像的海島岸線(xiàn)和開(kāi)發(fā)活動(dòng)變化監(jiān)測(cè)[J]. 張琳琳,周斌,潘玉良,雷惠,王艷莉,吳素云.  科技通報(bào). 2018(07)
[5]海島保護(hù)與開(kāi)發(fā)利用建設(shè)的安全管理探討——以大金山島保護(hù)與開(kāi)發(fā)利用示范工程為例[J]. 韋正峰.  中國(guó)工程咨詢(xún). 2018(06)
[6]基于高分辨率遙感影像的西沙趙述島地表覆蓋提取與演變分析[J]. 李亞萍,燕琴,劉正軍,馬毅.  熱帶海洋學(xué)報(bào). 2016(02)
[7]基于PCA的變化向量分析法遙感影像變化檢測(cè)[J]. 黃維,黃進(jìn)良,王立輝,胡硯霞,韓鵬鵬.  國(guó)土資源遙感. 2016(01)
[8]基于像素比值的面向?qū)ο蠓诸?lèi)后遙感變化檢測(cè)方法[J]. 唐樸謙,楊建宇,張超,朱德海,蘇偉.  遙感信息. 2010(01)
[9]基于貝葉斯網(wǎng)絡(luò)分類(lèi)的遙感影像變化檢測(cè)[J]. 陳雪,馬建文,戴芹.  遙感學(xué)報(bào). 2005(06)



本文編號(hào)：2953938