深度卷積神經(jīng)網(wǎng)絡(luò)(CNN)在特征提取方面擁有強大的效果,因此被廣泛應(yīng)用于圖像分類任務(wù)中。CNN中的池化層通過模糊掉目標(biāo)結(jié)構(gòu)部件間的相對位置關(guān)系來保證特征的不變性,所以使用CNN進行分類任務(wù)需要基于充足的訓(xùn)練樣本。但是在遙感場景圖像分類任務(wù)中,遙感場景圖像數(shù)據(jù)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(biāo)尺寸多樣性、視角特殊性、小目標(biāo)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(jù)集而言,如果能學(xué)習(xí)到特征的空間姿態(tài)變換性那就可以在不擴充數(shù)據(jù)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(wǎng)絡(luò)來解決這些問題。首先,針對遙感圖像存在的目標(biāo)多尺度、視角特殊性和小目標(biāo)的問題,提出了使用ResNet50作為預(yù)訓(xùn)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(zhuǎn)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(xué)習(xí)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(wǎng)絡(luò)在小樣本數(shù)據(jù)集上不能充分學(xué)習(xí)的問題,提出了將one-shot learning中的孿生網(wǎng)...

【文章頁數(shù)】：68 頁

【學(xué)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(nèi)外研究現(xiàn)狀
    1.3 本文主要工作
    1.4 本文組織結(jié)構(gòu)
    1.5 本章小結(jié)
2 遙感圖像分類基本理論與實驗數(shù)據(jù)
    2.1 遙感圖像分類概述
    2.2 遙感圖像分類技術(shù)
    2.3 深度學(xué)習(xí)
    2.4 遙感圖像實驗數(shù)據(jù)
    2.5 本章小結(jié)
3 基于深度殘差膠囊網(wǎng)絡(luò)的圖像分類算法
    3.1 常用卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法
    3.2 深度殘差膠囊網(wǎng)絡(luò)的遙感圖像分類算法
    3.3 實驗及實驗結(jié)果分析
    3.4 本章小結(jié)
4 one-shot深度膠囊網(wǎng)絡(luò)分類模型研究
    4.1 one-shot learning理論技術(shù)
    4.2 one-shot深度膠囊網(wǎng)絡(luò)分類模型
    4.3 實驗及其結(jié)果分析
    4.4 本章小結(jié)
5 基于改進深度膠囊網(wǎng)絡(luò)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(shè)計
    5.3 系統(tǒng)詳細(xì)設(shè)計
    5.4 本章小結(jié)
6 總結(jié)與展望
    6.1 總結(jié)
    6.2 展望
參考文獻
作者簡歷
學(xué)位論文數(shù)據(jù)集



本文編號：3810698