近地軌道衛(wèi)星擁有眾多不同分辨率和不同探測類型的傳感器,給研究者提供了海量的擁有豐富地表信息的衛(wèi)星遙感影像。建筑物作為地表信息的最重要組成部分之一（約占城市地表信息的80%以上）,已經(jīng)在城市地圖測繪、城市基礎(chǔ)設(shè)施設(shè)計與規(guī)劃、土地利用覆蓋類型調(diào)查、三維數(shù)字城市構(gòu)建等科技前沿領(lǐng)域得到了廣泛研究和應(yīng)用。迅速、精確、智能地在衛(wèi)星遙感影像中提取建筑物的特征信息,已經(jīng)成為衛(wèi)星遙感影像研究極其重要的內(nèi)容之一。本文采用深度學(xué)習以及遷移學(xué)習的思想,改進傳統(tǒng)的全卷積神經(jīng)網(wǎng)絡(luò)FCN（Fully Convolutional Networks）,引入新的結(jié)構(gòu)-級聯(lián)式（Cascade Structure）,構(gòu)建了一種新的深度卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),并利用建筑物數(shù)據(jù)集對算法進行驗證。主要內(nèi)容和結(jié)論如下:1)級聯(lián)式全卷積神經(jīng)網(wǎng)絡(luò)的架構(gòu)設(shè)計與改進:針對傳統(tǒng)全卷積網(wǎng)絡(luò)的局部感受野小、輸出結(jié)果分辨率低、圖像信息損失多、邊緣細節(jié)模糊等特點,引入空洞卷積增加特征圖像的局部感受野,采用分塊方法保證得到和輸入圖像相同分辨率的輸出結(jié)果,引入的級聯(lián)式網(wǎng)絡(luò)結(jié)構(gòu)可使網(wǎng)絡(luò)內(nèi)部的信息流動達到最大化。2)基于級聯(lián)式全卷積神經(jīng)網(wǎng)絡(luò)研究建筑物的自動提取:訓(xùn)... 

【文章來源】：電子科技大學(xué)四川省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：84 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
abstract
第一章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究歷史與現(xiàn)狀
    1.3 主要研究內(nèi)容
    1.4 主要技術(shù)路線
    1.5 論文結(jié)構(gòu)安排
第二章 深度卷積神經(jīng)網(wǎng)絡(luò)的理論及應(yīng)用研究
    2.1 神經(jīng)網(wǎng)絡(luò)的理論基礎(chǔ)
        2.1.1 單層神經(jīng)網(wǎng)絡(luò)
        2.1.2 兩層神經(jīng)網(wǎng)絡(luò)
        2.1.3 多層神經(jīng)網(wǎng)絡(luò)
    2.2 卷積神經(jīng)網(wǎng)絡(luò)
        2.2.1 局部感知
        2.2.2 權(quán)值共享
        2.2.3 多重卷積
        2.2.4 時間或空間亞采樣
        2.2.5 激活函數(shù)
    2.3 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分割
    2.4 本章總結(jié)
第三章 級聯(lián)式全卷積神經(jīng)網(wǎng)絡(luò)的模型設(shè)計與改進研究
    3.1 網(wǎng)絡(luò)模型的設(shè)計
    3.2 網(wǎng)絡(luò)模型的改進研究
        3.2.1 數(shù)據(jù)層的改進
        3.2.2 卷積層的改進
        3.2.3 損失層的改進
        3.2.4 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的策略
            3.2.4.1 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的策略研究
            3.2.4.2 訓(xùn)練神經(jīng)網(wǎng)絡(luò)的策略設(shè)計
    3.3 本章總結(jié)
第四章 基于級聯(lián)式全卷積神經(jīng)網(wǎng)絡(luò)的建筑物自動提取
    4.1 衛(wèi)星影像實驗數(shù)據(jù)集
    4.2 建筑物信息提取自動化
        4.2.1 硬件和軟件
        4.2.2 主要功能實現(xiàn)
    4.3 實驗結(jié)果與數(shù)據(jù)分析
        4.3.1 結(jié)果評價指標
        4.3.2 建筑物信息提取實驗結(jié)果
        4.3.3 數(shù)據(jù)分析
    4.4 數(shù)據(jù)后處理
        4.4.1 條件隨機場理論研究
        4.4.2 全連接條件隨機場理論研究
    4.5 實驗過程與分析
        4.5.1 實驗過程與結(jié)果
        4.5.2 實驗結(jié)果分析
    4.6 本章總結(jié)
第五章 基于級聯(lián)式全卷積神經(jīng)網(wǎng)絡(luò)的圖像分類及多目標分割應(yīng)用
    5.1 土地利用類型圖像分類應(yīng)用
        5.1.1 土地利用類型實驗數(shù)據(jù)集
        5.1.2 土地利用類型分類實驗
        5.1.3 實驗結(jié)果與分析
    5.2 城市區(qū)域衛(wèi)星影像多目標分割
        5.2.1 城市區(qū)域衛(wèi)星影像實驗數(shù)據(jù)集
        5.2.2 多核卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計
        5.2.3 實驗結(jié)果與數(shù)據(jù)分析
    5.3 本章總結(jié)
第六章 總結(jié)與展望
    6.1 主要結(jié)論
    6.2 研究展望
致謝
參考文獻


【參考文獻】：
期刊論文
[1]基于深度學(xué)習與醫(yī)學(xué)先驗知識的超聲心動圖切片識別[J]. 唐涔軒,王曉東,姚宇.  計算機應(yīng)用. 2017(S1)
[2]聯(lián)合顯著性和多層卷積神經(jīng)網(wǎng)絡(luò)的高分影像場景分類[J]. 何小飛,鄒崢嶸,陶超,張佳興.  測繪學(xué)報. 2016(09)
[3]高空間分辨率遙感影像建筑物提取方法綜述[J]. 張慶云,趙冬.  測繪與空間地理信息. 2015(04)
[4]高分辨率遙感影像的建筑物自動提取[J]. 安文,楊俊峰,趙羲,史玉龍.  測繪科學(xué). 2014(11)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)的小細胞型肺癌輔助檢測方法[J]. 李學(xué)滄,賈識楨.  中國數(shù)字醫(yī)學(xué). 2013 (10)
[6]深度學(xué)習的昨天、今天和明天[J]. 余凱,賈磊,陳雨強,徐偉.  計算機研究與發(fā)展. 2013(09)
[7]面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J]. 喬程,駱劍承,吳泉源,沈占鋒,王宏.  地理與地理信息科學(xué). 2008(05)
[8]基于SVM的多源遙感影像面向?qū)ο蠼ㄖ锾崛》椒╗J]. 張峰,薛艷麗,李英成,丁曉波.  國土資源遙感. 2008(02)
[9]建筑物多邊形化簡及優(yōu)化的自動方案研究[J]. 袁策.  測繪科學(xué). 2007(06)
[10]基于多尺度影像分割的面向?qū)ο蟪鞘型恋馗脖环诸愌芯俊择R來西亞吉隆坡市城市中心區(qū)為例[J]. 蘇偉,李京,陳云浩,張錦水,胡德勇,劉翠敏.  遙感學(xué)報. 2007(04)

博士論文
[1]基于遷移學(xué)習與深度卷積特征的圖像標注方法研究[D]. 宋光慧.浙江大學(xué) 2017

碩士論文
[1]基于深度學(xué)習技術(shù)的高分辨率遙感影像建設(shè)用地信息提取研究[D]. 馮麗英.浙江大學(xué) 2017
[2]RBF神經(jīng)網(wǎng)絡(luò)在MBR膜污染仿真預(yù)測中的應(yīng)用研究[D]. 湯佳.天津工業(yè)大學(xué) 2017
[3]基于多維灰色模型與神經(jīng)網(wǎng)絡(luò)的銷售預(yù)測模型研究[D]. 劉衛(wèi)校.浙江理工大學(xué) 2017
[4]基于深度學(xué)習的溯源視頻目標檢測與識別[D]. 劉健.東南大學(xué) 2016
[5]基于神經(jīng)網(wǎng)絡(luò)的上海光源光束線故障預(yù)警的方法研究[D]. 孫皓.中國科學(xué)院研究生院(上海應(yīng)用物理研究所) 2016
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像分類方法研究[D]. 趙爽.中國地質(zhì)大學(xué)(北京) 2015
[7]高分辨率遙感影像建筑物提取方法研究[D]. 黃小兵.西安科技大學(xué) 2014
[8]基于高分辨率遙感影像建筑物提取研究[D]. 劉莉.中南大學(xué) 2013



本文編號：3254397