隨著科技進(jìn)步,衛(wèi)星遙感技術(shù)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(dá)（Synthetic Aperture Radar,SAR）以及極化合成孔徑雷達(dá)（Polarimetric Synthetic Aperture Radar,PolSAR）等遙感數(shù)據(jù)的解譯問題也成為當(dāng)前人們研究的熱點(diǎn)問題。傳統(tǒng)的圖像處理算法要求研究者設(shè)計(jì)復(fù)雜的特征提取過程,而且面對復(fù)雜多樣的遙感數(shù)據(jù)時(shí)難以取得很好的效果。隨著深度學(xué)習(xí)與神經(jīng)網(wǎng)絡(luò)算法的興起,深度神經(jīng)網(wǎng)絡(luò)被應(yīng)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(xué)習(xí)算法難以發(fā)揮出自身優(yōu)勢。本文針對SAR圖像目標(biāo)識(shí)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(luò)模型,并結(jié)合實(shí)驗(yàn)驗(yàn)證了算法的有效性與先進(jìn)性。本文的主要內(nèi)容總結(jié)如下:1)提出一種深度記憶卷積神經(jīng)網(wǎng)絡(luò)（M-Net）,M-Net在卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network,CNN）的基礎(chǔ)上增加了信息記錄模塊來對樣本的特征進(jìn)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(biāo)記進(jìn)行判斷... 

【文章來源】：西安電子科技大學(xué)陜西省 211工程院校 教育部直屬院校

【文章頁數(shù)】：89 頁

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
符號(hào)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(biāo)識(shí)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(biāo)識(shí)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(jié)構(gòu)安排
第二章 基于深度記憶卷積神經(jīng)網(wǎng)絡(luò)和參數(shù)遷移的SAR目標(biāo)識(shí)別
    2.1 引言
    2.2 M-Net的結(jié)構(gòu)和訓(xùn)練方式
        2.2.1 網(wǎng)絡(luò)的總體結(jié)構(gòu)
        2.2.2 卷積神經(jīng)網(wǎng)絡(luò)部分
        2.2.3 映射矩陣
        2.2.4 信息記錄模塊
        2.2.5 網(wǎng)絡(luò)訓(xùn)練方法
    2.3 實(shí)驗(yàn)結(jié)果及分析
        2.3.1 數(shù)據(jù)集及評(píng)價(jià)指標(biāo)
        2.3.2 參數(shù)敏感性分析
        2.3.3 SOC實(shí)驗(yàn)結(jié)果及分析
        2.3.4 EOC實(shí)驗(yàn)結(jié)果及分析
        2.3.5 算法復(fù)雜度分析
        2.3.6 網(wǎng)絡(luò)結(jié)構(gòu)分析
        2.3.7 復(fù)雜場景下的目標(biāo)識(shí)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(luò)的PolSAR分類
    3.1 引言
    3.2 SDNet的結(jié)構(gòu)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(luò)結(jié)構(gòu)
        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(xùn)練方式和參數(shù)
    3.3 實(shí)驗(yàn)結(jié)果及分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)集簡介
        3.3.2 Flevoland數(shù)據(jù)集測試實(shí)驗(yàn)
        3.3.3 德國地區(qū)數(shù)據(jù)集測試實(shí)驗(yàn)
        3.3.4 真實(shí)類標(biāo)圖的影響
        3.3.5 運(yùn)行時(shí)間分析
    3.4 本章小結(jié)
第四章 基于空間特征卷積神經(jīng)網(wǎng)絡(luò)的PolSAR地物分類
    4.1 引言
    4.2 SF-CNN的結(jié)構(gòu)與方法
        4.2.1 網(wǎng)絡(luò)的訓(xùn)練過程
        4.2.2 損失函數(shù)
        4.2.3 網(wǎng)絡(luò)的測試過程
        4.2.4 網(wǎng)絡(luò)設(shè)置
    4.3 實(shí)驗(yàn)結(jié)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(shí)驗(yàn)
        4.3.3 西安地區(qū)數(shù)據(jù)集測試實(shí)驗(yàn)
        4.3.4 Flevoland地區(qū)數(shù)據(jù)集測試實(shí)驗(yàn)
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 工作總結(jié)
    5.2 展望
參考文獻(xiàn)
致謝
作者簡介



本文編號(hào)：3157332