衛(wèi)星圖像具有豐富的地物特征信息,分類(lèi)后影像數(shù)據(jù)應(yīng)用于多種行業(yè)。傳統(tǒng)提取方法的性能依賴(lài)于手工特征的選擇,無(wú)法適應(yīng)復(fù)雜的大樣本的高分辨率影像。與傳統(tǒng)衛(wèi)星圖像提取方法相比,深度卷積神經(jīng)網(wǎng)絡(luò)由于出色的特征表示能力,在目標(biāo)檢測(cè)、語(yǔ)義分割、圖像分類(lèi)方法等計(jì)算機(jī)視覺(jué)工作中取得了很好的效果。但目前深度學(xué)習(xí)方法分類(lèi)目標(biāo)影像存在小目標(biāo)分類(lèi)差,過(guò)度分割的問(wèn)題。針對(duì)以上問(wèn)題,本文在大量分析衛(wèi)星圖像目標(biāo)分類(lèi)領(lǐng)域的國(guó)內(nèi)外研究基礎(chǔ)上,提出一種衛(wèi)星圖像目標(biāo)分類(lèi)新型網(wǎng)絡(luò)模型AA-SegNet,該網(wǎng)絡(luò)模型基于SegNet架構(gòu)改進(jìn)的注意力與增強(qiáng)型空間金字塔機(jī)制相結(jié)合而成。AA-SegNet網(wǎng)絡(luò)模型主要結(jié)構(gòu)由三部分組成。第一部分是編碼網(wǎng)絡(luò),AA-SegNet結(jié)構(gòu)改進(jìn)為在編碼器末端,加入增強(qiáng)型空間金字塔模塊A-ASPP,A-ASPP結(jié)構(gòu)中的平行擴(kuò)張卷積采用不同的擴(kuò)張因子,得到更密集的采樣,收集更高層次的局部信息,并且旨在精準(zhǔn)提取小目標(biāo)。為了提高學(xué)習(xí)能力,A-ASPP結(jié)構(gòu)使用擴(kuò)張因子先擴(kuò)大然后減少以保持信息獲取多尺度的優(yōu)勢(shì)。擴(kuò)張因子逐漸擴(kuò)大,使感受野更加密集,能夠感受更詳細(xì)的背景信息;隨后減少擴(kuò)張因子以聚合局部信息來(lái)增強(qiáng)小物體的...

【文章頁(yè)數(shù)】：63 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖1-1整體研究技術(shù)路線

青島科技大學(xué)研究生學(xué)位論文71.4.2技術(shù)路線本文使用Keras框架，研制深度神經(jīng)網(wǎng)絡(luò)算法模型，研究重點(diǎn)在于設(shè)計(jì)網(wǎng)絡(luò)模型結(jié)構(gòu)、設(shè)計(jì)模型“超參數(shù)”與樣本數(shù)據(jù)集制作。本文整體研究技術(shù)路線如圖1-1所示：圖1-1整體研究技術(shù)路線Figure1-1Overallresearchtechn....

圖2-1全連接和局部感知示意圖

青島科技大學(xué)研究生學(xué)位論文92深度學(xué)習(xí)相關(guān)理論深度學(xué)習(xí)是模仿大腦的自動(dòng)學(xué)習(xí)，提取目標(biāo)特征的一種機(jī)器學(xué)習(xí)方法，通過(guò)線性或非線性組合獲得更高更深層次的表達(dá)。深度學(xué)習(xí)常用模型包括，如卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetworks，CNN）,深度置信網(wǎng)絡(luò)（DeepB....

圖2-2局部感和權(quán)值共享示意圖

基于深度學(xué)習(xí)的高分辨率衛(wèi)星圖像分類(lèi)研究10100個(gè)，加上偏向b,一共需要101個(gè)參數(shù)，獲得的圖像大小仍然是100X100[57]，共享權(quán)值可以很大程度的減少網(wǎng)絡(luò)計(jì)算量。局部感知、權(quán)值共享如圖2-2所示。(a)局部感知(b)權(quán)值共享圖2-2局部感和權(quán)值共享示意圖Figure.2-2....

圖2-3池化不變性示意圖

基于深度學(xué)習(xí)的高分辨率衛(wèi)星圖像分類(lèi)研究10100個(gè)，加上偏向b,一共需要101個(gè)參數(shù)，獲得的圖像大小仍然是100X100[57]，共享權(quán)值可以很大程度的減少網(wǎng)絡(luò)計(jì)算量。局部感知、權(quán)值共享如圖2-2所示。(a)局部感知(b)權(quán)值共享圖2-2局部感和權(quán)值共享示意圖Figure.2-2....

本文編號(hào)：3891438