復(fù)雜地表的遙感影像場(chǎng)景分類(lèi)一直是遙感影像分析領(lǐng)域研究熱點(diǎn),高分辨率遙感影像是地物場(chǎng)景識(shí)別的重要數(shù)據(jù)源。早期,遙感場(chǎng)景分類(lèi)一般通過(guò)專(zhuān)職人員目視解譯完成,復(fù)雜大規(guī)模的遙感場(chǎng)景分類(lèi)耗費(fèi)大量人力、財(cái)力與時(shí)間。隨著計(jì)算機(jī)技術(shù)與航空航天技術(shù)的飛速發(fā)展,豐富的高分辨率遙感影像為研究者們對(duì)地觀測(cè)（Earth Observation,EO）提供了大量數(shù)據(jù)來(lái)源,龐大的數(shù)據(jù)量與人工解譯存在的一定主觀性與局限性,科學(xué)家開(kāi)始尋求自動(dòng)化方法解譯圖像,提出了基于地物底層視覺(jué)特征及其組合的物理指標(biāo)方法,例如建筑物體積、密度、排列形式等。雖然高分辨率遙感影像能夠清晰反映地物信息,但光照,傳感器角度等問(wèn)題導(dǎo)致了場(chǎng)景類(lèi)內(nèi)差異性大、類(lèi)間相似性高,增大了遙感影像自動(dòng)化解譯的難度。當(dāng)進(jìn)入更加精細(xì)的場(chǎng)景時(shí),這種傳統(tǒng)的基于像素級(jí)別的底層次特征分析方法不能直接遷移到其他影像場(chǎng)景,如果不使用自動(dòng)化方法,更新此類(lèi)數(shù)據(jù)庫(kù)將非常耗費(fèi)資源。隨后出現(xiàn)了面向?qū)ο筮b感影像場(chǎng)景分類(lèi),但是需要進(jìn)行圖像預(yù)處理,數(shù)據(jù)量龐大時(shí),該類(lèi)方法工作量大,耗時(shí)多,不便于遷移學(xué)習(xí),并且對(duì)圖像細(xì)節(jié)處理結(jié)果差。近年來(lái),深度學(xué)習(xí)突破傳統(tǒng)視覺(jué)算法結(jié)構(gòu)的約束,為遙感影像處理帶來(lái)了新... 

【文章頁(yè)數(shù)】：65 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
Abstract
第1章 緒論
    1.1 研究背景與意義
        1.1.1 研究背景
        1.1.2 研究意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
    1.3 本文研究?jī)?nèi)容與章節(jié)安排
    1.4 本章小節(jié)
第2章 深度學(xué)習(xí)及場(chǎng)景分類(lèi)相關(guān)理論知識(shí)
    2.1 深度學(xué)習(xí)六大框架介紹
    2.2 神經(jīng)網(wǎng)絡(luò)
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 全卷積神經(jīng)網(wǎng)絡(luò)
    2.5 場(chǎng)景分類(lèi)精度評(píng)價(jià)定量指標(biāo)
    2.6 本章小結(jié)
第3章 融合多層次深度特征的高分辨率遙感影像場(chǎng)景分類(lèi)
    3.1 融合多層次深度特征
        3.1.1 中底層次特征提取
        3.1.2 基于CNN的高層次特征
        3.1.3 多層次特征融合
    3.2 融合多層次深度特征場(chǎng)景分類(lèi)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 實(shí)驗(yàn)數(shù)據(jù)
        3.3.2 實(shí)驗(yàn)環(huán)境
        3.3.3 實(shí)驗(yàn)結(jié)果與分析
    3.4 本章小節(jié)
第4章 基于多特征FCN的高分辨率遙感影像場(chǎng)景分類(lèi)
    4.1 基于Seg Net網(wǎng)絡(luò)的高分辨率遙感影像場(chǎng)景分類(lèi)
    4.2 基于U-Net網(wǎng)絡(luò)的高分辨率遙感影像場(chǎng)景分類(lèi)
    4.3 基于多特征FCN的高分辨率遙感影像場(chǎng)景分類(lèi)
    4.4 實(shí)驗(yàn)結(jié)果與分析
        4.4.1 實(shí)驗(yàn)數(shù)據(jù)
        4.4.2 網(wǎng)絡(luò)參數(shù)設(shè)置
        4.4.3 實(shí)驗(yàn)環(huán)境
        4.4.4 實(shí)驗(yàn)結(jié)果與分析
    4.5 本章小結(jié)
第5章 總結(jié)與展望
    5.1 總結(jié)
    5.2 進(jìn)一步展望
參考文獻(xiàn)
攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文和研究成果
致謝


【參考文獻(xiàn)】：
期刊論文
[1]遙感圖像分類(lèi)方法綜述[J]. 張?jiān)?楊海濤,袁春慧.  兵器裝備工程學(xué)報(bào). 2018(08)
[2]基于U型卷積神經(jīng)網(wǎng)絡(luò)的航空影像建筑物檢測(cè)[J]. 伍廣明,陳奇,Ryosuke SHIBASAKI,郭直靈,邵肖偉,許永偉.  測(cè)繪學(xué)報(bào). 2018(06)
[3]一種多特征融合的場(chǎng)景分類(lèi)方法[J]. 李志欣,李艷紅,張燦龍.  小型微型計(jì)算機(jī)系統(tǒng). 2018(05)
[4]“AI2.0+”專(zhuān)輯序言[J]. 高新波.  模式識(shí)別與人工智能. 2018(01)
[5]基于多結(jié)構(gòu)卷積神經(jīng)網(wǎng)絡(luò)的高分遙感影像飛機(jī)目標(biāo)檢測(cè)[J]. 姚相坤,萬(wàn)里紅,霍宏,方濤.  計(jì)算機(jī)工程. 2017(01)
[6]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 李彥冬,郝宗波,雷航.  計(jì)算機(jī)應(yīng)用. 2016(09)
[7]利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類(lèi)[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測(cè)繪學(xué)報(bào). 2016(07)
[8]神經(jīng)網(wǎng)絡(luò)七十年:回顧與展望[J]. 焦李成,楊淑媛,劉芳,王士剛,馮志璽.  計(jì)算機(jī)學(xué)報(bào). 2016(08)
[9]圖像場(chǎng)景語(yǔ)義分類(lèi)研究進(jìn)展綜述[J]. 顧廣華,韓晰瑛,陳春霞,趙耀.  系統(tǒng)工程與電子技術(shù). 2016(04)
[10]場(chǎng)景圖像分類(lèi)技術(shù)綜述[J]. 李學(xué)龍,史建華,董永生,陶大程.  中國(guó)科學(xué):信息科學(xué). 2015(07)



本文編號(hào)：3671672