如今遙感影像的光譜波段越來越多,分辨率也越來越高,在各個領(lǐng)域中受到廣泛的應(yīng)用,但這也帶來了一些新問題,如:單景影像的數(shù)據(jù)量越來越大,深度學(xué)習(xí)分類算法處理的復(fù)雜度越來越高,如何利用分布式并行處理技術(shù)提高遙感影像分類算法的時效性,同時解決遙感數(shù)據(jù)分布式存儲管理問題,是該領(lǐng)域必須面對的難點之一。在存儲管理方面,利用分布式并行處理機(jī)制對遙感影像進(jìn)行分類,就涉及到遙感數(shù)據(jù)的分布式存儲問題,但當(dāng)前的分布式存儲方法存在索引速度慢、存儲空間浪費等問題,無法對遙感影像進(jìn)行高效的管理;而在影像分類方面,由于當(dāng)前獲取遙感圖像標(biāo)記數(shù)據(jù)較為困難,并且得到的影像分辨率也越來越高,在傳統(tǒng)的單機(jī)環(huán)境下運行深度學(xué)習(xí)分類算法效率較低。本文針對以上問題,將傳統(tǒng)的WebGIS平臺以Hadoop與Spark作底層進(jìn)行架構(gòu)設(shè)計,實現(xiàn)對遙感影像的并行化處理,同樣在Spark計算平臺中設(shè)計了基于殘差網(wǎng)絡(luò)的遙感影像分類的并行化方法,對遙感影像進(jìn)行分類。主要工作有:(1)將Hadoop與Spark作為底層架構(gòu)對WebGIS平臺進(jìn)行改進(jìn),使其能夠在HDFS中存儲遙感影像,然后通過GeoHash與HBase建立索引機(jī)制,對HDFS中的數(shù)據(jù)進(jìn)...

【文章頁數(shù)】：59 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)外研究現(xiàn)狀
        1.2.1 遙感影像存儲技術(shù)的研究進(jìn)展
        1.2.2 基于深度學(xué)習(xí)的遙感影像分類并行化的研究進(jìn)展
    1.3 研究內(nèi)容及論文結(jié)構(gòu)
第二章 相關(guān)技術(shù)介紹
    2.1 OGC 標(biāo)準(zhǔn)
    2.2 Hadoop分布式系統(tǒng)
    2.3 HDFS分布式文件系統(tǒng)
    2.4 Spark分布式系統(tǒng)
    2.5 彈性分布數(shù)據(jù)集RDD
    2.6 卷積神經(jīng)網(wǎng)絡(luò)介紹
    2.7 殘差網(wǎng)絡(luò)介紹
    2.8 本章小結(jié)
第三章 遙感數(shù)據(jù)分布式存儲與索引
    3.1 HBase數(shù)據(jù)庫介紹
    3.2 基于GeoHash的索引設(shè)計
        3.2.1 GeoHash編碼原理
        3.2.2 數(shù)據(jù)存儲結(jié)構(gòu)設(shè)計
        3.2.3 存儲架構(gòu)的設(shè)計
    3.3 基于Spark的處理功能
    3.4 本章小結(jié)
第四章 基于分布式Resnet的遙感影像分類并行加速
    4.1 基于殘差網(wǎng)絡(luò)的遙感圖像分類
        4.1.1 殘差網(wǎng)絡(luò)模型
        4.1.2 高光譜遙感影像數(shù)據(jù)集介紹
        4.1.3 實驗結(jié)果及分析
    4.2 基于殘差網(wǎng)絡(luò)的遙感分類并行化
        4.2.1 深度學(xué)習(xí)并行化模型
        4.2.2 TensorFlowOnSpark模型介紹
        4.2.3 基于殘差網(wǎng)絡(luò)的遙感分類并行化實現(xiàn)
        4.2.4 實驗環(huán)境
        4.2.5 實驗結(jié)果與分析
    4.3 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
個人簡介
附件



本文編號：3916697