近些年來,合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)技術(shù)蓬勃發(fā)展,多顆SAR遙感衛(wèi)星成功發(fā)射。GF-3作為我國首顆C波段SAR衛(wèi)星,在地球科學(xué)、氣候變化研究、森林資源調(diào)查等領(lǐng)域發(fā)揮重要作用,使我國的遙感應(yīng)用進(jìn)入新的階段。然而,如何從海量遙感數(shù)據(jù)中快速準(zhǔn)確地提取地物信息,是遙感工作者亟待解決的問題。目前,在大數(shù)據(jù)的支持下,以深度學(xué)習(xí)為代表的人工智能技術(shù)掀起了巨大的浪潮,其在多個(gè)應(yīng)用中展示的能力遠(yuǎn)遠(yuǎn)超過了傳統(tǒng)的圖像處理算法。本文將深度學(xué)習(xí)應(yīng)用在GF-3極化SAR地物類型分類的工作中。采用具有代表性的深度卷積Highway Unit神經(jīng)網(wǎng)絡(luò)。該網(wǎng)絡(luò)通過交替的卷積層和池化層從SAR圖像中自動(dòng)學(xué)習(xí)多層高級(jí)特征表達(dá),能夠很好的抵抗噪聲的影響,充分挖影像在時(shí)間和空間上的規(guī)律,有效提高地物分類精度。本文的研究內(nèi)容包括以下三個(gè)方面:(1)本文采用Schmidhuber教授提出的深度卷積Highway Unit神經(jīng)網(wǎng)絡(luò),通過可反復(fù)堆疊的Highway網(wǎng)絡(luò)學(xué)習(xí)單元,使其優(yōu)化方法基本與網(wǎng)絡(luò)的深度獨(dú)立,某種程度解決了網(wǎng)絡(luò)信息損耗的問題,可以用較少的樣本訓(xùn)練任意深度的網(wǎng)絡(luò)。(2)為了...

【文章頁數(shù)】：61 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖2.1常見的非線性激活函數(shù)的函數(shù)圖像

2深度卷積HighwayUnit網(wǎng)絡(luò)的構(gòu)建與數(shù)據(jù)預(yù)處理這樣輸入和輸出的關(guān)系可以表示為：11211222''''''WyxWxxWxWxW（2.6）其中W'是新的參數(shù)。前向傳播算法與線性模型的定....

圖2.2兩種激活函數(shù)及梯度比較

圖2.2兩種激活函數(shù)及梯度比較2.1.3損失函數(shù)神經(jīng)網(wǎng)絡(luò)模型是通過損失函數(shù)（lossfunction）來評(píng)價(jià)模型訓(xùn)練的效果及優(yōu)化過程[56]。交叉熵（crossentropy）是常用的評(píng)判方法之一。交叉熵通常用來刻畫兩個(gè)概率分布之間的距離。假設(shè)兩個(gè)概率分布分別是p和....

圖2.3卷積神經(jīng)網(wǎng)絡(luò)的原理

其中J(W)的損失函數(shù)，是控制步長學(xué)習(xí)速度，wd和m表示表示權(quán)重衰減和動(dòng)量。2.2傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)深度卷積神經(jīng)網(wǎng)絡(luò)(ConvolutionalNeuralNetwork，CNN)是一種特別適合計(jì)算機(jī)視覺應(yīng)用的神經(jīng)網(wǎng)絡(luò)，因?yàn)樗軌蛲ㄟ^局部操作對(duì)特征進(jìn)行分層表....

圖2.4卷積層的運(yùn)算過程

西安科技大學(xué)碩士學(xué)位論文是從輸入圖像中提取特征，通過使用輸入數(shù)據(jù)中的大小方塊來學(xué)操作保留了像素間的空間關(guān)系。卷積的計(jì)算過程是這樣的：如圖陣在原始圖像上以每次一個(gè)像素的速率（也稱為“步幅”）移動(dòng)兩個(gè)矩陣相對(duì)元素的乘積并相加，輸出一個(gè)整數(shù)并作為最終輸出個(gè)33的矩陣被稱為“過濾器....

本文編號(hào)：3900180