【摘要】：隨著遙感技術(shù)的發(fā)展,遙感影像空間和時(shí)間分辨率不斷提高,催生了大量的基于遙感影像數(shù)據(jù)的分析技術(shù)。遙感影像分類技術(shù)作為遙感影像研究方法的重要分支,已廣泛應(yīng)用于海洋監(jiān)測(cè)、資源勘探、農(nóng)業(yè)監(jiān)測(cè)、軍事識(shí)別等領(lǐng)域,為資源的規(guī)劃、管理和決策提供技術(shù)支持。傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)用于遙感影像分類時(shí),使用全連接層進(jìn)行運(yùn)算,計(jì)算復(fù)雜度高,且訓(xùn)練參數(shù)龐大,容易出現(xiàn)過(guò)擬合。而基于卷積神經(jīng)網(wǎng)絡(luò)的影像分類方法是一種具有局部感知結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò),可以將圖像數(shù)據(jù)作為輸入,逐層的提取由局部到全局的特征,能夠有效的進(jìn)行影像分類。傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練需有大量訓(xùn)練數(shù)據(jù)集,而實(shí)際中很難獲取大量標(biāo)注的遙感影像樣本,使得遙感影像呈現(xiàn)小樣本的特點(diǎn)。截止目前,仍缺乏一種可以有效應(yīng)用于小樣本的遙感影像分類的卷積神經(jīng)網(wǎng)絡(luò)。基于此,結(jié)合遙感影像多模態(tài)特性,本文研究一種小樣本的多模態(tài)融合方法,實(shí)現(xiàn)多模態(tài)遙感影像的高精準(zhǔn)分類。論文以實(shí)現(xiàn)小樣本的多模態(tài)遙感影像高精度分類為目標(biāo),對(duì)多模態(tài)融合策略進(jìn)行了深入的研究,針對(duì)深度卷積網(wǎng)絡(luò)訓(xùn)練困難的問(wèn)題,結(jié)合遷移學(xué)習(xí)方法提出了基于遷移學(xué)習(xí)的多模態(tài)融合分類方法。主要研究?jī)?nèi)容包括:(1)提出小樣本的多模態(tài)遙感影像串行融合分類方法針對(duì)傳統(tǒng)的多模態(tài)遙感影像融合分類方法未能充分考慮模態(tài)之間相關(guān)關(guān)系以及模態(tài)之間的干擾性的問(wèn)題,提出串行融合策略的分類方法--MRSIC(Multimodal Remote Sensing Image Classification)。其中,不同模態(tài)的高層特征是提高分類精度的重要環(huán)節(jié)。本文首先采用卷積神經(jīng)網(wǎng)絡(luò)提取兩種不同分辨率遙感影像的高層特征,并通過(guò)構(gòu)建串行融合策略進(jìn)行融合,最后,使用融合后的綜合特征訓(xùn)練整個(gè)分類模型。實(shí)驗(yàn)表明MRSIC模型對(duì)遙感影像分類的精準(zhǔn)度達(dá)90.5%。(2)提出小樣本的多模態(tài)遙感影像并行融合分類方法串行融合分類模型要求兩種模態(tài)的測(cè)試數(shù)據(jù)必須同時(shí)存在的輸入到對(duì)應(yīng)的特征提取器中,這對(duì)測(cè)試人員的專業(yè)技能要求高,嚴(yán)重影響MRSIC的應(yīng)用推廣。為此,提出一種并行融合分類方法,記為N-MRSIC(New Multi-modal Remote Sensing Image Classification)。該方法實(shí)現(xiàn)了單個(gè)模態(tài)的測(cè)試數(shù)據(jù)就可以進(jìn)行分類的高適用性。實(shí)驗(yàn)表明N-MRSIC大大減少了測(cè)試數(shù)據(jù)的預(yù)處理工作,降低了對(duì)使用人員的技術(shù)要求,提高了分類方法使用的高適用性和分類精度。(3)提出基于遷移學(xué)習(xí)的多模態(tài)遙感影像融合分類方法針對(duì)類別繁多的分類應(yīng)用,淺層CNN(Convolution Neural Network)的學(xué)習(xí)能力和影像分析能力難以保證,為此,提出一種復(fù)雜的CNN分類模型,但復(fù)雜的CNN訓(xùn)練困難。基于此提出結(jié)合遷移技術(shù)改進(jìn)的高層特征融合分類方法TMRSIC(Tranfer-learning Multi-modal Remote Sensing Image Classification)。首先在構(gòu)建的復(fù)雜CNN分類模型中引入在大的數(shù)據(jù)集(ImageNet)上訓(xùn)練好的模型,把前幾層的參數(shù)固定,修改最后一到兩層,用自己的數(shù)據(jù)去再訓(xùn)練分類模型。實(shí)驗(yàn)表明,在訓(xùn)練樣本少且樣本種類多的挑戰(zhàn)下,僅使用遷移的單模態(tài)分類模型的準(zhǔn)確率達(dá)90.3%,T-MRSIC的分類精度可以達(dá)到93.3%。通過(guò)上述內(nèi)容的研究,論文取得了一定的研究成果,(1)提出了具有抗干擾性的串行融合分類模型,使得小樣本的多模態(tài)遙感影像信息互補(bǔ),從而提高分類精度;(2)為了降低分類模型對(duì)測(cè)試數(shù)據(jù)必須同時(shí)存在的要求和對(duì)測(cè)試人員專業(yè)知識(shí)的要求,提出高適用性的并行融合分類模型;(3)面對(duì)復(fù)雜CNN模型訓(xùn)練難題,引入?yún)?shù)模型遷移技術(shù),實(shí)現(xiàn)小樣本的復(fù)雜CNN模型的高精準(zhǔn)度分類。
【學(xué)位授予單位】：上海海洋大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2019
【分類號(hào)】：TP751
【圖文】：

輸入可以理解為多維數(shù)組的遙感影像 I，核可以理解為由學(xué)習(xí)算維數(shù)組的參數(shù) K。輸入如公式（1）所示：( , ) ( * )( , ) ( , ) ( , )m nS i j = I K i j = I m n K i m j n*表示卷積運(yùn)算過(guò)程， i ,j 為遙感影像上的第i行 j 列的像素值， m實(shí)數(shù)且范圍較小�；詈瘮�(shù)網(wǎng)絡(luò)中最基本的成分是神經(jīng)元模型，每個(gè)神經(jīng)元與其他神經(jīng)元相其他神經(jīng)元傳遞過(guò)來(lái)的輸入信號(hào)，這些輸入信號(hào)通過(guò)帶權(quán)重的連元接收到的總輸入值將與神經(jīng)元的閾值進(jìn)行比較，并通過(guò)“激活生神經(jīng)元的輸出。如果不使用激活函數(shù)，每層節(jié)點(diǎn)的輸入都是上一數(shù)，卷積神經(jīng)網(wǎng)絡(luò)將退化成最原始的感知機(jī)，使得網(wǎng)絡(luò)的逼近能力
【相似文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 侯旭京;;多模態(tài)隱喻淺析土味情話——基于綜藝節(jié)目《非常完美》男女嘉賓對(duì)話[J];海外英語(yǔ);2019年22期

2 王芳;;網(wǎng)絡(luò)多模態(tài)環(huán)境下大學(xué)生外語(yǔ)學(xué)習(xí)焦慮及干預(yù)策略[J];海外英語(yǔ);2019年21期

3 黃立鶴;張德祿;;多核并行架構(gòu):多模態(tài)研究的范式、路徑及領(lǐng)域問(wèn)題之辨[J];外語(yǔ)教學(xué);2019年01期

4 趙雨菲;;近五年我國(guó)多模態(tài)翻譯研究綜述[J];農(nóng)家參謀;2019年04期

5 閆雪鋒;;多模態(tài)話語(yǔ)視域下“翻轉(zhuǎn)課堂”教學(xué)模式的改革與探索——以西安職業(yè)技術(shù)學(xué)院公共基礎(chǔ)課為例[J];才智;2019年10期

6 張楠;張海;楊絮;;荷蘭開放大學(xué)的大數(shù)據(jù)多模態(tài)學(xué)習(xí)分析研究新進(jìn)展[J];中國(guó)信息技術(shù)教育;2019年Z3期

7 杜中全;趙志堅(jiān);;基于多模態(tài)與跨文化的信息素養(yǎng)培養(yǎng)路徑研究[J];情報(bào)科學(xué);2019年10期

8 李文;王振華;;司法話語(yǔ)多模態(tài)研究的現(xiàn)狀與未來(lái)[J];上海交通大學(xué)學(xué)報(bào)(哲學(xué)社會(huì)科學(xué)版);2019年05期

9 蔣海燕;;基于學(xué)習(xí)風(fēng)格理論的大學(xué)英語(yǔ)多模態(tài)識(shí)讀教學(xué)[J];桂林師范高等專科學(xué)校學(xué)報(bào);2019年05期

10 王妤娜;;小學(xué)語(yǔ)文滲透兒童哲學(xué)教育的多模態(tài)教學(xué)模式[J];福建基礎(chǔ)教育研究;2019年09期

中國(guó)博士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 王普明;基于特征張量的大數(shù)據(jù)多模態(tài)分析研究[D];華中科技大學(xué);2019年

2 趙維;基于多模態(tài)影像數(shù)據(jù)的腦網(wǎng)絡(luò)研究[D];湖南師范大學(xué);2019年

3 曹俊亮;水下滑翔機(jī)多模態(tài)運(yùn)動(dòng)控制與路徑規(guī)劃研究[D];上海交通大學(xué);2016年

4 胡敏;多模態(tài)靶向納米探針在微小肝癌的診斷及光熱治療的實(shí)驗(yàn)研究[D];南方醫(yī)科大學(xué);2018年

5 劉曌雯;多模態(tài)生物數(shù)據(jù)分析與挖掘研究[D];西安電子科技大學(xué);2018年

6 張靈均;多模態(tài)數(shù)據(jù)分類的模糊粗糙方法研究[D];天津大學(xué);2017年

7 張淑美;基于數(shù)據(jù)驅(qū)動(dòng)的復(fù)雜多模態(tài)過(guò)程模態(tài)識(shí)別及過(guò)程監(jiān)測(cè)研究[D];東北大學(xué);2016年

8 屈雯;基于多模態(tài)內(nèi)容分析的多視角視頻推薦技術(shù)研究[D];東北大學(xué);2015年

9 馬騰;基于mVEP和MI多模態(tài)腦機(jī)接口的關(guān)鍵技術(shù)研究[D];電子科技大學(xué);2018年

10 年福東;基于語(yǔ)義先驗(yàn)約束的多媒體特征表示研究[D];安徽大學(xué);2018年

中國(guó)碩士學(xué)位論文全文數(shù)據(jù)庫(kù) 前10條

1 葉萍;多模態(tài)話語(yǔ)分析視角下的羅伯特·斯蒂文森兒童詩(shī)歌翻譯研究[D];四川外國(guó)語(yǔ)大學(xué);2019年

2 周鳳;中美暢銷飲料平面廣告多模態(tài)隱喻和轉(zhuǎn)喻對(duì)比研究[D];四川外國(guó)語(yǔ)大學(xué);2019年

3 軒雅莉;外語(yǔ)慕課教學(xué)視頻中教師影像的多模態(tài)話語(yǔ)分析[D];四川外國(guó)語(yǔ)大學(xué);2019年

4 麻益通;基于多模態(tài)的在線學(xué)習(xí)情感分析模型設(shè)計(jì)與實(shí)現(xiàn)[D];南京師范大學(xué);2019年

5 徐婧;基于圖像和WiFi信號(hào)的智能手機(jī)多模態(tài)位置感知研究[D];南京航空航天大學(xué);2019年

6 馮陽(yáng)陽(yáng);中德啤酒廣告中多模態(tài)隱喻對(duì)比研究[D];湘潭大學(xué);2019年

7 陳越;小學(xué)英語(yǔ)多模態(tài)詞匯教學(xué)實(shí)證研究[D];寧夏大學(xué);2019年

8 杜金曉;跨域多模態(tài)數(shù)據(jù)分析關(guān)鍵技術(shù)研究[D];哈爾濱工業(yè)大學(xué);2019年

9 施惠芳;<三聯(lián)生活周刊>社會(huì)熱點(diǎn)主題封面的多模態(tài)話語(yǔ)分析[D];浙江師范大學(xué);2019年

10 歐夏江;滬教版初中英語(yǔ)教材中多模態(tài)資源的使用調(diào)查[D];廣東技術(shù)師范大學(xué);2019年

本文編號(hào)：2888447