隨著科技進步,衛(wèi)星遙感技術發(fā)展迅速。遙感圖像的數(shù)據(jù)規(guī)模也在不斷增大,圖像分辨率不斷提高。合成孔徑雷達（Synthetic Aperture Radar,SAR）以及極化合成孔徑雷達（Polarimetric Synthetic Aperture Radar,PolSAR）等遙感數(shù)據(jù)的解譯問題也成為當前人們研究的熱點問題。傳統(tǒng)的圖像處理算法要求研究者設計復雜的特征提取過程,而且面對復雜多樣的遙感數(shù)據(jù)時難以取得很好的效果。隨著深度學習與神經(jīng)網(wǎng)絡算法的興起,深度神經(jīng)網(wǎng)絡被應用到SAR和PolSAR數(shù)據(jù)的處理中來。但是由于SAR/PolSAR圖像與自然圖像有很大差異,深度學習算法難以發(fā)揮出自身優(yōu)勢。本文針對SAR圖像目標識別和PolSAR圖像地物分類問題,提出三種新型的深度神經(jīng)網(wǎng)絡模型,并結合實驗驗證了算法的有效性與先進性。本文的主要內(nèi)容總結如下:1)提出一種深度記憶卷積神經(jīng)網(wǎng)絡（M-Net）,M-Net在卷積神經(jīng)網(wǎng)絡（Convolutional Neural Network,CNN）的基礎上增加了信息記錄模塊來對樣本的特征進行記錄,再利用樣本特征的空間距離相似度信息,對未知樣本的標記進行判斷... 

【文章來源】：西安電子科技大學陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學位級別】：碩士

【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 研究背景及意義
        1.1.1 SAR目標識別的研究背景及意義
        1.1.2 PolSAR圖像分類的研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 SAR目標識別的研究現(xiàn)狀
        1.2.2 PolSAR圖像分類的研究現(xiàn)狀
    1.3 本文主要內(nèi)容與結構安排
第二章 基于深度記憶卷積神經(jīng)網(wǎng)絡和參數(shù)遷移的SAR目標識別
    2.1 引言
    2.2 M-Net的結構和訓練方式
        2.2.1 網(wǎng)絡的總體結構
        2.2.2 卷積神經(jīng)網(wǎng)絡部分
        2.2.3 映射矩陣
        2.2.4 信息記錄模塊
        2.2.5 網(wǎng)絡訓練方法
    2.3 實驗結果及分析
        2.3.1 數(shù)據(jù)集及評價指標
        2.3.2 參數(shù)敏感性分析
        2.3.3 SOC實驗結果及分析
        2.3.4 EOC實驗結果及分析
        2.3.5 算法復雜度分析
        2.3.6 網(wǎng)絡結構分析
        2.3.7 復雜場景下的目標識別
    2.4 本章小節(jié)
第三章 基于深度可分離卷積和密集連接神經(jīng)網(wǎng)絡的PolSAR分類
    3.1 引言
    3.2 SDNet的結構與方法
        3.2.1 PolSAR數(shù)據(jù)的分解
        3.2.2 密集連接與網(wǎng)絡結構
        3.2.3 深度可分離卷積
        3.2.4 激活函數(shù)和池化
        3.2.5 訓練方式和參數(shù)
    3.3 實驗結果及分析
        3.3.1 實驗數(shù)據(jù)集簡介
        3.3.2 Flevoland數(shù)據(jù)集測試實驗
        3.3.3 德國地區(qū)數(shù)據(jù)集測試實驗
        3.3.4 真實類標圖的影響
        3.3.5 運行時間分析
    3.4 本章小結
第四章 基于空間特征卷積神經(jīng)網(wǎng)絡的PolSAR地物分類
    4.1 引言
    4.2 SF-CNN的結構與方法
        4.2.1 網(wǎng)絡的訓練過程
        4.2.2 損失函數(shù)
        4.2.3 網(wǎng)絡的測試過程
        4.2.4 網(wǎng)絡設置
    4.3 實驗結果及分析
        4.3.1 對比算法與數(shù)據(jù)集簡介
        4.3.2 舊金山地區(qū)數(shù)據(jù)集測試實驗
        4.3.3 西安地區(qū)數(shù)據(jù)集測試實驗
        4.3.4 Flevoland地區(qū)數(shù)據(jù)集測試實驗
    4.4 本章小結
第五章 總結與展望
    5.1 工作總結
    5.2 展望
參考文獻
致謝
作者簡介



本文編號：3157332