發(fā)布時間：2021-01-09 01:28

　　在衛(wèi)星遙感和軟硬件技術的不斷發(fā)展中,遙感影像檢測中有越來越多的計算機視覺方法和深度學習方法被應用。遙感影像與自然影像相比發(fā)展要緩慢得多,因為遙感影像的尺寸較大、包含的信息復雜繁多、對比度不高、前景和背景易混淆。近年來,人工智能技術開始井噴式發(fā)展,這就給遙感影像的發(fā)展帶來了希望。Hinton課題組在2012年首次參加了Image Net圖像識別比賽,他們創(chuàng)造的名為Alex Net[1]的卷積神經網絡在這次比賽中成功取得第一,而且分類精度遠遠優(yōu)于這次比賽的第二名（SVM[2]方法）,他們成功地證明了深度學習在圖像識別中的潛力。因為這次圖像識別的大賽,卷積神經網絡正式進入到了許多研究人員的視線里,從而開始了卷積神經網絡的研究潮流。后來,Girshick等人又在2014年提出了一種圖像檢測的模型——R CNN[3]（Regions with Convolutional Neural Network Features）,這個模型成為了深度學習在圖像檢測領域的基礎。在隨后的一年多里,這個團隊又相機提出了Fast RCNN[4]和Faster RCNN[5]這兩個模型,打下了雙階段圖像檢測的基礎,尤... 

【文章來源】：廣東工業(yè)大學廣東省

【文章頁數(shù)】：75 頁

【學位級別】：碩士

【部分圖文】：

感知機基本結構

圖 2.2 Sigmoid 函數(shù)圖像Figure 2.2 Sigmoid function image數(shù)的圖像中觀察到，它的輸出在開區(qū)間(0，1)內，合作為輸出層使用。但是，這個函數(shù)本身有一定的數(shù)的梯度就會無限靠近零點，在反向傳遞中，為了式求導法則。當反向傳遞經過 Sigmoid 的計算后，導致梯度消失問題。Glorot 的研究表明，使用 Sig遞的過程中，產生梯度消失的問題非常普遍，一般雙曲正切函數(shù)，是非線性激活函數(shù)，在神經網絡中式(2.3)表示：tanh(x) =1 1 +(2.3)

Figure 2.2 Sigmoid function image數(shù)的圖像中觀察到，它的輸出在開區(qū)間(0，1)內合作為輸出層使用。但是，這個函數(shù)本身有一定數(shù)的梯度就會無限靠近零點，在反向傳遞中，為式求導法則。當反向傳遞經過 Sigmoid 的計算后導致梯度消失問題。Glorot 的研究表明，使用 S遞的過程中，產生梯度消失的問題非常普遍，一曲正切函數(shù)，是非線性激活函數(shù)，在神經網絡中式(2.3)表示：tanh(x) =1 1 +(2.3)像如圖 2.3 所示。


本文編號：2965702