作為基本地理數(shù)據(jù)庫中與人類活動(dòng)關(guān)系極為密切的一種數(shù)據(jù)范疇,建筑物的地理、形狀、顏色等信息在政府部分、民生部門、商業(yè)領(lǐng)域里都有著極大的需求。這些需求側(cè)重各不相同,而且信息有時(shí)無法相互流通,因此提取建筑物信息是遙感應(yīng)用和地理信息系統(tǒng)的常見任務(wù)。加上各類房屋隨著城市建設(shè)有所增減和變化,變化頻繁,因此這類信息需要及時(shí)更新。然而,使用人工實(shí)地勘測的方式對基本GIS數(shù)據(jù)庫的建筑物類型數(shù)據(jù)進(jìn)行更新不僅耗費(fèi)大量人力物力,而且周期較長,難以滿足即時(shí)性需求,此外,由于專業(yè)素養(yǎng)和主觀認(rèn)知的差異,這種方式所獲取的建筑物數(shù)據(jù)質(zhì)量不一,不利于統(tǒng)一處理。另一方面,伴隨著多源高分遙感技術(shù)的成熟化,采用高分遙感技術(shù)從大尺度的高分遙感影像中迅速提取多種建筑物的方法展示出了其他方法所不具備的高效優(yōu)勢。其中,人口普查、災(zāi)害防治、軍事偵察、市政規(guī)劃等領(lǐng)域需要從遙感影像中迅速、可靠地獲取建筑物等人工目標(biāo),并在此基礎(chǔ)上進(jìn)行建筑物變化觀測分析以便開展具體應(yīng)用。因此,基于遙感圖像的建筑物自動(dòng)提取,業(yè)已發(fā)展成為基本地理信息系統(tǒng)數(shù)據(jù)庫數(shù)據(jù)獲取和更新的主流手段。當(dāng)前針對建筑物檢測和提取方面的研究雖然己取得了一些進(jìn)展,但是這些算法依然存在著人工...

【文章頁數(shù)】：80 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖１．１技術(shù)路線圖??Ｆｉｇ?１．１?Ｔｅｃｈｎｏｌｏｇｙ?ｒｏａｄｍａｐ??１３．２論文組織??，

?－？ｖ，｜－．Ｋ〇ｌＷｍ?Ｉ??捉?｜??－ｒ??｜??ｍ?！?！??Ｉ?Ｉ??處川（ｗ？到遽筑物??］?ＫＯＩ??Ｉ?ｌ：：：：：．；二一二二?ｊ?｜??Ｉ?１??Ｉ????Ｉ??涔丨?讓％物形狀ｍ別?！??力ｉ?｜?｜??ＶＴｊ?Ｉ????Ｉ??倫Ｉ?！??丨：丨：？???....

圖２．２?Ｓｉｇｍｏｉｄ函數(shù)圖像??Ｆｉｇ２．２?Ｓｉｇｍｏｉｄ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??

活函數(shù)和Ｄｒｏｐｏｕｔ??激活函數(shù)的選擇對于網(wǎng)絡(luò)訓(xùn)練非常重要，因?yàn)樗苯佑绊懼麄�(gè)網(wǎng)絡(luò)訓(xùn)練??過程中的網(wǎng)絡(luò)參數(shù)變化情況。??以前的神經(jīng)網(wǎng)絡(luò)中常用的激活函數(shù)為Ｓｉｇｍｏｉｄ函數(shù)，其定義如下：??＝?（２．１３）??１?＋?ｅ??從其表達(dá)式可以很明顯地知道該函數(shù)的輸出值區(qū)間為［０，１....

圖２．３?ＲｅＬＵ函數(shù)圖像??Ｆｉｇ２．３?ＲｅＬＵ?ｆｕｎｃｔｉｏｎ?ｉｍａｇｅ??

泌豸大．賽頌士學(xué)位論文?第二章卷積神經(jīng)網(wǎng)絡(luò)理論??從圖２．２中可以明顯看出ｓｉｇｍｏｉｄ函數(shù)只在一個(gè)很小的范圍內(nèi)有較明顯的??數(shù)值變化，此范圍之外，函數(shù)值將變化緩慢，換言之，導(dǎo)數(shù)接近０。在卷積??神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中，這將導(dǎo)致出現(xiàn)“梯度消失”的問題，使整個(gè)訓(xùn)練過程??中參數(shù)更新緩....

圖２．４使用Ｄｒｏｐｏｕｔ的神經(jīng)網(wǎng)絡(luò)??Ｆｉｇ２．４?Ｎｅｕｒａｌ?ｎｅｔｗｏｒｋｓ?ｕｓｉｎｇ?Ｄｒｏｐｏｕｔ??

泌Ｊ大身碩士學(xué)位論文?第二章卷積神經(jīng)網(wǎng)絡(luò)理論??例，那么每次迭代訓(xùn)練的將是網(wǎng)絡(luò)權(quán)值不同但是各層結(jié)構(gòu)一樣的網(wǎng)絡(luò)模型，而??測試時(shí)會(huì)將Ｄｒｏｐｏｕｔ比率與輸出的乘積作為輸出結(jié)果。??從使用Ｄｒｏｐｏｕｔ的訓(xùn)練過程和測試過程來看，它的設(shè)計(jì)其實(shí)基于這樣一種??考慮：一個(gè)網(wǎng)絡(luò)的結(jié)果可能出錯(cuò)....

本文編號：4033429