深度卷積神經網絡(CNN)在特征提取方面擁有強大的效果,因此被廣泛應用于圖像分類任務中。CNN中的池化層通過模糊掉目標結構部件間的相對位置關系來保證特征的不變性,所以使用CNN進行分類任務需要基于充足的訓練樣本。但是在遙感場景圖像分類任務中,遙感場景圖像數(shù)據集樣本量較少,容易造成模型的過擬合。而且遙感圖像存在著目標尺寸多樣性、視角特殊性、小目標等特點。這都為CNN進行圖像分類帶來了難點與挑戰(zhàn)。每個類別中的圖像在位置和角度上差異較大,所以對于遙感場景數(shù)據集而言,如果能學習到特征的空間姿態(tài)變換性那就可以在不擴充數(shù)據集的情況下提升圖像分類的精度。為此,我們提出了one-shot深度膠囊網絡來解決這些問題。首先,針對遙感圖像存在的目標多尺度、視角特殊性和小目標的問題,提出了使用ResNet50作為預訓練模型,并且去除模型中深層的池化層,然后將提取出來的卷積特征轉化成膠囊特征,并使用動態(tài)路由算法進行傳遞保證特征信息的完整性,從而學習到空間姿態(tài)變換矩陣的方法,通過實驗驗證了該方法的有效性。其次,針對深度卷積網絡在小樣本數(shù)據集上不能充分學習的問題,提出了將one-shot learning中的孿生網...

【文章頁數(shù)】：68 頁

【學位級別】：碩士

【文章目錄】：
致謝
摘要
abstract
1 緒論
    1.1 研究背景與意義
    1.2 國內外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結構
    1.5 本章小結
2 遙感圖像分類基本理論與實驗數(shù)據
    2.1 遙感圖像分類概述
    2.2 遙感圖像分類技術
    2.3 深度學習
    2.4 遙感圖像實驗數(shù)據
    2.5 本章小結
3 基于深度殘差膠囊網絡的圖像分類算法
    3.1 常用卷積神經網絡的圖像分類方法
    3.2 深度殘差膠囊網絡的遙感圖像分類算法
    3.3 實驗及實驗結果分析
    3.4 本章小結
4 one-shot深度膠囊網絡分類模型研究
    4.1 one-shot learning理論技術
    4.2 one-shot深度膠囊網絡分類模型
    4.3 實驗及其結果分析
    4.4 本章小結
5 基于改進深度膠囊網絡的分類模型原型系統(tǒng)
    5.1 系統(tǒng)需求分析
    5.2 系統(tǒng)總體設計
    5.3 系統(tǒng)詳細設計
    5.4 本章小結
6 總結與展望
    6.1 總結
    6.2 展望
參考文獻
作者簡歷
學位論文數(shù)據集



本文編號：3810698