發(fā)布時(shí)間：2020-09-25 19:55

　　 人工神經(jīng)網(wǎng)絡(luò)是一種通過模擬大腦神經(jīng)元及其連接結(jié)構(gòu)實(shí)現(xiàn)各種數(shù)據(jù)處理與學(xué)習(xí)問題的計(jì)算智能方法。隨著大數(shù)據(jù)的發(fā)展以及計(jì)算機(jī)計(jì)算能力的增加,深度神經(jīng)網(wǎng)絡(luò)作為一種層次更深、結(jié)構(gòu)更加復(fù)雜、建模能力更優(yōu)的機(jī)器學(xué)習(xí)方法,在各種大數(shù)據(jù)的處理問題中取得了突破性的成果,特別是在遙感影像處理問題中發(fā)揮了巨大的作用。遙感影像存在維度高、冗余度高、非結(jié)構(gòu)化等難點(diǎn),而深度神經(jīng)網(wǎng)絡(luò)具有特征深度抽象、自主表示學(xué)習(xí)、高效建模等特點(diǎn),因此很適合于處理遙感影像。本文首先針對深度神經(jīng)網(wǎng)絡(luò)中的建模與優(yōu)化問題進(jìn)行了深入研究,利用多目標(biāo)優(yōu)化和演化算法求解建模與優(yōu)化中的稀疏問題,然后針對遙感影像,利用深度神經(jīng)網(wǎng)絡(luò)解決遙感影像變化檢測中的各種問題,概括如下:(1)針對無監(jiān)督稀疏表示學(xué)習(xí)中稀疏度與表示能力難以平衡的問題,將無監(jiān)督表示學(xué)習(xí)問題建模為多目標(biāo)問題。將網(wǎng)絡(luò)的表示能力與特征稀疏度分別建模為兩個(gè)目標(biāo)函數(shù),通過同時(shí)求解兩個(gè)目標(biāo),得到一系列不同折中的解。由于網(wǎng)絡(luò)規(guī)模較大,我們基于差分進(jìn)化設(shè)計(jì)了一種高效求解該多目標(biāo)問題的優(yōu)化方法,最終得到能夠?qū)W(wǎng)絡(luò)表示能力與稀疏度之間較好平衡的解。實(shí)驗(yàn)表明,我們提出的優(yōu)化方法高效準(zhǔn)確,所得到的稀疏特征能較好表示輸入數(shù)據(jù)同時(shí)去除冗余信息,提升網(wǎng)絡(luò)的分類性能。(2)在深度神經(jīng)網(wǎng)絡(luò)連接結(jié)構(gòu)優(yōu)化問題中,同樣存在網(wǎng)絡(luò)表示能力與連接稀疏度的平衡問題。為降低計(jì)算成本,我們將網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化直接建模為多目標(biāo)優(yōu)化問題而無需考慮網(wǎng)絡(luò)連接權(quán)重和偏置。我們基于數(shù)據(jù)特點(diǎn)對演化算法進(jìn)行改進(jìn)來求解該多目標(biāo)問題。通過逐層優(yōu)化,得到能較好表示輸入數(shù)據(jù)的網(wǎng)絡(luò)結(jié)構(gòu),最后通過反向傳播算法優(yōu)化網(wǎng)絡(luò)權(quán)重與偏置。實(shí)驗(yàn)表明,該網(wǎng)絡(luò)結(jié)構(gòu)在全連接以及卷積神經(jīng)網(wǎng)絡(luò)上都能夠提升網(wǎng)絡(luò)性能并優(yōu)于對比的網(wǎng)絡(luò)結(jié)構(gòu)優(yōu)化算法。(3)在以上模型的基礎(chǔ)上,利用深度神經(jīng)網(wǎng)絡(luò)求解遙感影像變化檢測問題。無監(jiān)督稀疏表示學(xué)習(xí)可以有效去除圖像冗余信息,學(xué)習(xí)圖像結(jié)構(gòu)化特征,因此對雷達(dá)圖像中出現(xiàn)的斑點(diǎn)噪聲有很好的魯棒性。稀疏的網(wǎng)絡(luò)結(jié)構(gòu)可以提升網(wǎng)絡(luò)的泛化能力,有效緩解遙感影像中普遍存在的相對小樣本問題,同時(shí)網(wǎng)絡(luò)結(jié)構(gòu)適應(yīng)數(shù)據(jù)結(jié)構(gòu),有效提升變化檢測精度。(4)基于深度神經(jīng)網(wǎng)絡(luò)強(qiáng)大的學(xué)習(xí)能力,我們針對多源異質(zhì)遙感影像變化檢測問題提出相應(yīng)的解決方法。變化檢測問題大部分都是針對同源圖像,即參與檢測的多時(shí)圖像來自于同一個(gè)或同一類型的成像傳感器,因此可以直接進(jìn)行比較。多源異質(zhì)遙感影像是來源于不同成像傳感器且數(shù)據(jù)結(jié)構(gòu)差異很大的多時(shí)圖像,變化檢測十分困難。目前方法不多且大部分基于有監(jiān)督學(xué)習(xí),這在實(shí)際應(yīng)用中較難實(shí)現(xiàn)。我們針對數(shù)據(jù)結(jié)構(gòu)的不同,設(shè)計(jì)了一種雙邊耦合網(wǎng)絡(luò)并建立相應(yīng)的目標(biāo)函數(shù)。通過最小化未變化區(qū)域的耦合誤差來突出變化區(qū)域,實(shí)現(xiàn)多源異質(zhì)遙感影像的變化檢測。實(shí)驗(yàn)表明,該網(wǎng)絡(luò)模型對同源及多源異質(zhì)圖像都能夠?qū)崿F(xiàn)精確檢測。(5)圖像變化檢測問題基本上都是針對已配準(zhǔn)圖像,即多時(shí)圖像上同一位置的像素點(diǎn)或物體在地理位置上也是相同的,因此可以很方便地進(jìn)行比較,而在很多情況下配準(zhǔn)算法并不能對多時(shí)圖像進(jìn)行精確配準(zhǔn),如在不同角度拍攝的圖片、圖像受干擾以及配準(zhǔn)算法本身的精度問題。因此,我們針對無法配準(zhǔn)的圖像,設(shè)計(jì)了一種全局差異網(wǎng)絡(luò)來比較多時(shí)圖像的全局特征,從而避免局部無法對齊產(chǎn)生的誤檢。該網(wǎng)絡(luò)基于卷積結(jié)構(gòu),通過同時(shí)優(yōu)化網(wǎng)絡(luò)參數(shù)及我們定義的變化掩圖來獲得變化區(qū)域的信息。我們針對該問題設(shè)計(jì)了相應(yīng)的網(wǎng)絡(luò)結(jié)構(gòu)、目標(biāo)函數(shù)以及優(yōu)化方法,實(shí)現(xiàn)了對未配準(zhǔn)圖像的變化檢測,這對于現(xiàn)有方法是十分困難的。本文從深度神經(jīng)網(wǎng)絡(luò)的建模與優(yōu)化的基礎(chǔ)理論出發(fā),針對遙感影像變化檢測這一實(shí)際問題,逐漸深入,解決挑戰(zhàn)性難題。
【學(xué)位單位】：西安電子科技大學(xué)
【學(xué)位級別】：博士
【學(xué)位年份】：2018
【中圖分類】：TP751;TP183
【文章目錄】：
摘要
ABSTRACT
符號對照表
縮略語對照表
第一章 緒論
    1.1 研究背景與意義
    1.2 DNN與演化多目標(biāo)優(yōu)化研究現(xiàn)狀與難點(diǎn)
    1.3 遙感影像變化檢測研究現(xiàn)狀與難點(diǎn)
    1.4 研究內(nèi)容與章節(jié)安排
第二章 多目標(biāo)稀疏特征學(xué)習(xí)模型
    2.1 引言
    2.2 多目標(biāo)優(yōu)化問題與方法
    2.3 多目標(biāo)稀疏特征學(xué)習(xí)模型與優(yōu)化方法
        2.3.1 多目標(biāo)稀疏特征學(xué)習(xí)模型
        2.3.2 多目標(biāo)引導(dǎo)的優(yōu)化方法
        2.3.3 求解局部多目標(biāo)模型
        2.3.4 MO-SFL模型及優(yōu)化方法分析
    2.4 實(shí)驗(yàn)與結(jié)果分析
        2.4.1 測試Sa-MODE/D
        2.4.2 訓(xùn)練方法測試
        2.4.3 MO-SFL模型測試
        2.4.4 算法效率測試
    2.5 本章小結(jié)
第三章 基于多目標(biāo)優(yōu)化的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    3.1 引言
    3.2 專家乘積系統(tǒng)(PoE)
    3.3 結(jié)構(gòu)學(xué)習(xí)模型與優(yōu)化方法
        3.3.1 多目標(biāo)結(jié)構(gòu)建模
        3.3.2 多目標(biāo)結(jié)構(gòu)優(yōu)化
        3.3.3 可行性分析
    3.4 實(shí)驗(yàn)與結(jié)果分析
        3.4.1 單層網(wǎng)絡(luò)實(shí)驗(yàn)
        3.4.2 多層網(wǎng)絡(luò)實(shí)驗(yàn)
        3.4.3 CNN實(shí)驗(yàn)
    3.5 本章小結(jié)
第四章 基于多目標(biāo)演化網(wǎng)絡(luò)的遙感影像變化檢測
    4.1 引言
    4.2 基于深度神經(jīng)網(wǎng)絡(luò)的SAR圖像變化檢測框架
    4.3 基于稀疏特征和稀疏結(jié)構(gòu)學(xué)習(xí)的SAR圖像變化檢測
        4.3.1 稀疏特征
        4.3.2 稀疏結(jié)構(gòu)
    4.4 真實(shí)SAR圖像實(shí)驗(yàn)
        4.4.1 數(shù)據(jù)集
        4.4.2 實(shí)驗(yàn)結(jié)果
    4.5 本章小結(jié)
第五章 基于深度卷積耦合網(wǎng)絡(luò)的多源異質(zhì)遙感影像變化檢測
    5.1 引言
    5.2 多源異質(zhì)圖像變化檢測
    5.3 深度卷積耦合網(wǎng)絡(luò)
        5.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        5.3.2 目標(biāo)函數(shù)
        5.3.3 優(yōu)化方法
        5.3.4 預(yù)訓(xùn)練
        5.3.5 可行性分析
    5.4 實(shí)驗(yàn)結(jié)果與分析
        5.4.1 數(shù)據(jù)集
        5.4.2 實(shí)驗(yàn)設(shè)置
        5.4.3 農(nóng)田數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.4.4 墨西哥數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.4.5 黃河數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.4.6 東營數(shù)據(jù)集實(shí)驗(yàn)結(jié)果
        5.4.7 參數(shù)魯棒性測試
    5.5 本章小結(jié)
第六章 基于雙邊差異網(wǎng)絡(luò)的未配準(zhǔn)圖像變化檢測
    6.1 引言
    6.2 加入配準(zhǔn)的變化檢測方法模型
    6.3 雙邊差異網(wǎng)絡(luò)(Bipartite Differential Neural Network,BDNN)
        6.3.1 網(wǎng)絡(luò)結(jié)構(gòu)
        6.3.2 目標(biāo)函數(shù)
        6.3.3 優(yōu)化方法
        6.3.4 多尺度逐級學(xué)習(xí)
    6.4 實(shí)驗(yàn)結(jié)果與分析
        6.4.1 數(shù)據(jù)集
        6.4.2 實(shí)驗(yàn)設(shè)置
        6.4.3 實(shí)驗(yàn)結(jié)果
        6.4.4 參數(shù)魯棒性測試
    6.5 本章小結(jié)
第七章 總結(jié)與展望
    7.1 研究內(nèi)容總結(jié)
    7.2 未來研究展望
參考文獻(xiàn)
致謝
作者簡介

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 眭海剛;馮文卿;李文卓;孫開敏;徐川;;多時(shí)相遙感影像變化檢測方法綜述[J];武漢大學(xué)學(xué)報(bào)(信息科學(xué)版);2018年12期

2 謝馨嫻;岳彩榮;霍鵬;;森林變化檢測方法比較[J];四川林業(yè)科技;2018年03期

3 王娜;張景發(fā);;SAR圖像變化檢測技術(shù)方法綜述[J];地殼構(gòu)造與地殼應(yīng)力文集;2016年01期

4 宋英旭;牛瑞卿;張景發(fā);李永生;羅毅;馮時(shí);陳艷;;遙感影像變化檢測方法對比[J];地殼構(gòu)造與地殼應(yīng)力文集;2016年02期

5 李強(qiáng);張景發(fā);;變化檢測技術(shù)在震害信息提取中的應(yīng)用[J];地理空間信息;2014年02期

6 龍玄耀;李培軍;;基于圖像分割的城市變化檢測[J];地球信息科學(xué);2008年01期

7 于躍龍,盧煥章;以統(tǒng)計(jì)變化檢測為基礎(chǔ)的實(shí)時(shí)分割視頻對象新方法[J];中國圖象圖形學(xué)報(bào);2005年01期

8 孫揚(yáng);朱凌;修田雨;;基于國產(chǎn)衛(wèi)星影像的協(xié)同分割變化檢測[J];北京建筑大學(xué)學(xué)報(bào);2018年04期

9 王鑫;;聚類分析觀點(diǎn)下的分散式最快變化檢測[J];南京理工大學(xué)學(xué)報(bào);2014年02期

10 沈壁川;毛期儉;呂翊;;基于巴氏距離的視頻流場景變化檢測(英文)[J];重慶郵電大學(xué)學(xué)報(bào)(自然科學(xué)版);2009年01期

相關(guān)會議論文 前10條

1 劉元波;;環(huán)境遙感變化探測研究中的若干問題：輻射校正方法與變化檢測算法及其理論關(guān)系[A];中國地理學(xué)會2007年學(xué)術(shù)年會論文摘要集[C];2007年

2 毛衛(wèi)華;;時(shí)態(tài)遙感數(shù)據(jù)對象級變化檢測方法研究[A];2016年度浙江省測繪與地理信息學(xué)會優(yōu)秀論文集[C];2016年

3 林麗群;舒寧;肖俊;;MODIS影像自動(dòng)變化檢測[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

4 劉志剛;李夕海;錢昌松;;遙感圖像變化檢測問題淺析[A];陜西地球物理文集（五）國家安全與軍事地球物理研究[C];2005年

5 王長海;陳文靜;;基于遙感影像分類的城鎮(zhèn)建成區(qū)變化檢測方法研究[A];國家安全地球物理叢書（十三）——軍民融合與地球物理[C];2017年

6 蔣汾龍;王善峰;公茂果;馬晶晶;張明陽;武越;;基于降噪耦合卷積神經(jīng)網(wǎng)絡(luò)的多源遙感影像變化檢測[A];第五屆高分辨率對地觀測學(xué)術(shù)年會論文集[C];2018年

7 鄭安明;羅健;康薇薇;;基于遙感影像的流域下墊面變化檢測[A];環(huán)境變化與水安全——第五屆中國水論壇論文集[C];2007年

8 陳宇;唐偉成;;基于北京一號小衛(wèi)星遙感數(shù)據(jù)的徐州東礦區(qū)土地利用/覆蓋變化檢測方法研究[A];第十七屆中國遙感大會摘要集[C];2010年

9 李全;李霖;;基于LANDSAT TM影像的城市變化檢測研究[A];中國地理學(xué)會2004年學(xué)術(shù)年會暨海峽兩岸地理學(xué)術(shù)研討會論文摘要集[C];2004年

10 歐陽峗;馬建文;戴芹;;動(dòng)態(tài)貝葉斯網(wǎng)絡(luò)在遙感變化檢測中的應(yīng)用[A];第十五屆全國遙感技術(shù)學(xué)術(shù)交流會論文摘要集[C];2005年

相關(guān)重要報(bào)紙文章 前2條

1 本報(bào)記者 孫楠 徐文彬;提高我國在氣候變化檢測歸因領(lǐng)域的國際影響力[N];中國氣象報(bào);2016年

2 通訊員 孫愛華　張向峰;區(qū)域氣候變化檢測研討會召開[N];中國氣象報(bào);2009年

相關(guān)博士學(xué)位論文 前10條

1 劉嘉;多目標(biāo)演化深度神經(jīng)網(wǎng)絡(luò)模型與應(yīng)用[D];西安電子科技大學(xué);2018年

2 鄭耀國;基于結(jié)構(gòu)化表示學(xué)習(xí)的遙感圖像分類及變化檢測[D];西安電子科技大學(xué);2016年

3 蘇臨之;基于像素信息和深度學(xué)習(xí)的遙感圖像變化檢測技術(shù)[D];西安電子科技大學(xué);2016年

4 賈璐;基于核理論的遙感影像變化檢測算法研究[D];西安電子科技大學(xué);2016年

5 李瑜;基于特征學(xué)習(xí)的SAR圖像變化檢測方法研究[D];西安電子科技大學(xué);2016年

6 李振軒;基于差分測度的高分辨率遙感影像可靠性變化檢測方法研究[D];中國礦業(yè)大學(xué);2018年

7 劉博宇;時(shí)序NDVI數(shù)據(jù)集螺線型構(gòu)建及多形狀參數(shù)變化檢測[D];吉林大學(xué);2018年

8 李勝;聯(lián)合領(lǐng)域知識和深度學(xué)習(xí)的城市地表覆蓋變化檢測方法[D];武漢大學(xué);2018年

9 趙金奇;多時(shí)相極化SAR影像變化檢測方法研究[D];武漢大學(xué);2018年

10 龐世燕;三維信息輔助的建筑物自動(dòng)變化檢測若干關(guān)鍵技術(shù)研究[D];武漢大學(xué);2015年

相關(guān)碩士學(xué)位論文 前10條

1 丁永;高分辨率遙感影像結(jié)合地表覆蓋矢量數(shù)據(jù)的變化檢測方法研究[D];武漢大學(xué);2017年

2 許競軒;面向?qū)ο蟮母叻直媛蔬b感影像變化檢測方法研究[D];戰(zhàn)略支援部隊(duì)信息工程大學(xué);2018年

3 孫揚(yáng);基于超像素協(xié)同分割的遙感影像變化檢測方法[D];北京建筑大學(xué);2019年

4 紀(jì)超南;多時(shí)相衛(wèi)星影像變化檢測中關(guān)鍵問題研究[D];山東大學(xué);2018年

5 劉春成;基于點(diǎn)云數(shù)據(jù)的柱狀目標(biāo)變化檢測[D];北京建筑大學(xué);2018年

6 劉波;基于SVDD特征選擇的隨機(jī)森林高分辨率遙感影像變化檢測[D];蘭州交通大學(xué);2018年

7 虢英杰;一種目標(biāo)級高分辨率遙感影像的頻域變化檢測方法研究[D];昆明理工大學(xué);2018年

8 李延金;影像相關(guān)性分析在遙感變化檢測中的應(yīng)用研究[D];長安大學(xué);2018年

9 袁玉;基于SAR圖像相干變化檢測的建筑物震害信息提取研究[D];防災(zāi)科技學(xué)院;2018年

10 REZKI MOSTEFA;衛(wèi)星遙感圖像非監(jiān)督變化檢測及其在洪澇區(qū)域的應(yīng)用研究[D];哈爾濱工業(yè)大學(xué);2018年

本文編號：2826992