多光譜和高光譜數(shù)據(jù)可反映豐富的光譜信息,在遙感地物分類中有著優(yōu)異的表現(xiàn),然而,由于僅包含光譜信息,多/高光譜對“同譜異物”的目標(biāo)區(qū)分能力有限。數(shù)字表面模型等多種數(shù)據(jù)中包含著地表目標(biāo)高精度的高程信息,然而對于地物分類任務(wù)而言其信息豐富度不足。多/高光譜和高程數(shù)據(jù)在信息上存在很強(qiáng)的互補(bǔ)性,它們的聯(lián)合利用是進(jìn)一步提高分類性能的可行方向,但兩類數(shù)據(jù)的差異也為特征提取、聯(lián)合及分類帶來了困難。本文從多/高光譜和高程數(shù)據(jù)特征層面的聯(lián)合利用出發(fā),基于深度神經(jīng)網(wǎng)絡(luò)構(gòu)建了多/高光譜與數(shù)字表面模型的聯(lián)合分類模型,利用深度神經(jīng)網(wǎng)絡(luò)的特征學(xué)習(xí)和強(qiáng)大的表示能力,更有效地完成了對兩類數(shù)據(jù)的信息處理,達(dá)到了進(jìn)一步提高分類精度的目的。論文的研究內(nèi)容主要包括一下幾個方面:首先,探究了基于卷積神經(jīng)網(wǎng)絡(luò)的多/高光譜和數(shù)字表面模型數(shù)據(jù)的深度特征提取方法�？紤]到鄰域信息對地物分類的重要性,本文選擇使用擅長挖掘局部關(guān)聯(lián)信息的卷積神經(jīng)網(wǎng)絡(luò)提取多/高光譜數(shù)據(jù)的空間-光譜和數(shù)字表面模型數(shù)據(jù)的空間-高程信息。通過實驗可驗證深度特征提取網(wǎng)絡(luò)在兩類數(shù)據(jù)上的表現(xiàn)均優(yōu)于多種典型遙感數(shù)據(jù)特征提取方法,是一種有效的特征提取模型。其次,基于多層全連接神...

【文章頁數(shù)】：71 頁

【學(xué)位級別】：碩士

【文章目錄】：
摘要
ABSTRACT
第1章 緒論
    1.1 課題背景及研究的目的和意義
    1.2 國內(nèi)外在該方向的研究現(xiàn)狀及分析
        1.2.1 遙感數(shù)據(jù)的特征提取與地物分類
        1.2.2 多/高光譜與高程數(shù)據(jù)聯(lián)合分類研究現(xiàn)狀
        1.2.3 深度神經(jīng)網(wǎng)絡(luò)在遙感領(lǐng)域的應(yīng)用現(xiàn)狀
    1.3 本文的主要研究內(nèi)容及章節(jié)安排
第2章 基于特征提取的多源遙感數(shù)據(jù)聯(lián)合分類
    2.1 引言
    2.2 遙感數(shù)據(jù)的特征提取
    2.3 多源遙感數(shù)據(jù)的特征級融合
        2.3.1 多源數(shù)據(jù)融合概述
        2.3.2 多源數(shù)據(jù)特征級融合
        2.3.3 多/高光譜與高程數(shù)據(jù)的聯(lián)合利用
    2.4 遙感數(shù)據(jù)地物分類
    2.5 深度神經(jīng)網(wǎng)絡(luò)理論與模型結(jié)構(gòu)
        2.5.1 深度學(xué)習(xí)理論基本概念與特點
        2.5.2 深度學(xué)習(xí)模型的典型訓(xùn)練過程
    2.6 本章小結(jié)
第3章 基于深度卷積網(wǎng)絡(luò)的特征提取與地物分類
    3.1 引言
    3.2 卷積神經(jīng)網(wǎng)絡(luò)模型
    3.3 多/高光譜和DSM的CNN特征提取與分類模型
        3.3.1 用于DSM特征提取與分類的 2D CNN
        3.3.2 用于多/高光譜數(shù)據(jù)特征提取與分類的 3D CNN
        3.3.3 權(quán)值更新方法
        3.3.4 批次歸一化結(jié)構(gòu)
    3.4 特征提取及分類實驗分析
        3.4.1 實驗圖像數(shù)據(jù)簡介
        3.4.2 多/高光譜數(shù)據(jù)的特征提取與分類實驗
        3.4.3 DSM數(shù)據(jù)的特征提取與分類實驗
    3.5 本章小結(jié)
第4章 基于全連接神經(jīng)網(wǎng)絡(luò)的特征聯(lián)合分類
    4.1 引言
    4.2 基于全連接神經(jīng)網(wǎng)絡(luò)的聯(lián)合分類模型
        4.2.1 全連接神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)及相關(guān)應(yīng)用簡介
        4.2.2 深度聯(lián)合分類模型的整體結(jié)構(gòu)
    4.3 聯(lián)合分類模型實驗及分析
        4.3.1 網(wǎng)絡(luò)結(jié)構(gòu)及其對分類性能影響分析
        4.3.2 深度聯(lián)合分類模型性能分析
    4.4 本章小結(jié)
第5章 深度神經(jīng)網(wǎng)絡(luò)與稀疏表示結(jié)合的聯(lián)合分類
    5.1 引言
    5.2 稀疏表示理論基礎(chǔ)
        5.2.1 稀疏表示問題模型
        5.2.2 稀疏系數(shù)求解
        5.2.3 稀疏字典設(shè)計
    5.3 稀疏表示在地物分類中的應(yīng)用
        5.3.1 稀疏表示分類模型
        5.3.2 稀疏表示方法的其它改進(jìn)
    5.4 DNN與稀疏表示結(jié)合的聯(lián)合分類
        5.4.1 模型結(jié)構(gòu)
        5.4.2 實驗結(jié)果及分析
    5.5 本章小結(jié)
結(jié)論
參考文獻(xiàn)
攻讀碩士學(xué)位期間發(fā)表的論文及其它成果
致謝



本文編號：3793446