隨著高分辨率遙感影像來源不斷豐富,影像獲取越來越容易,海量數(shù)據(jù)中蘊(yùn)含的地物信息已經(jīng)在地圖測(cè)繪、資源勘探、環(huán)境監(jiān)控、國(guó)土資源調(diào)查、變化檢測(cè)和災(zāi)害評(píng)估等多個(gè)領(lǐng)域得到了廣泛應(yīng)用。建筑物作為城鎮(zhèn)地物信息的重要組成部分,人工提取和更新這些信息浪費(fèi)大量人力、物力和財(cái)力,因此如何能夠精確、快速、自動(dòng)化地從衛(wèi)星影像中提取建筑物信息,成為遙感領(lǐng)域的重點(diǎn)研究方向之一。在過去一些方法中,從遙感影像中提取建筑物大多基于人工設(shè)計(jì)的特征,如紋理、光譜、陰影和形狀等,但是由于建筑物的屋頂覆蓋物不同、結(jié)構(gòu)走向不一致、空間分布各異等特征,使得這些提取方法適用性不強(qiáng)。近幾年,深度學(xué)習(xí)的迅速發(fā)展使得眾多學(xué)者將其運(yùn)用到遙感影像處理中,并且取得了一定的成果。因此本論文對(duì)深度學(xué)習(xí)語義分割領(lǐng)域相關(guān)算法進(jìn)行了深入研究與分析,主要的研究工作如下:(1)闡述了卷積神經(jīng)網(wǎng)絡(luò)的基本原理以及訓(xùn)練方法。解決了高分辨率遙感影像數(shù)據(jù)匱乏的問題,詳細(xì)介紹了構(gòu)建遙感影像建筑物數(shù)據(jù)集的相關(guān)操作,主要分為圖像預(yù)處理和圖像增廣兩個(gè)部分,其中包括圖像去噪、圖像增強(qiáng)、數(shù)據(jù)擴(kuò)充和數(shù)據(jù)集劃分等,增強(qiáng)了數(shù)據(jù)集的豐富性和多樣性。(2)研究和探索了現(xiàn)有的幾種比較流行的網(wǎng)絡(luò)結(jié)構(gòu)的特點(diǎn),并在它們基礎(chǔ)上進(jìn)行改進(jìn),設(shè)計(jì)了一種多分辨率特征融合的語義分割網(wǎng)絡(luò)MRNet。該網(wǎng)絡(luò)由并行多分辨率子網(wǎng)結(jié)構(gòu)和多尺度特征融合結(jié)構(gòu)組成,這兩種結(jié)構(gòu)可以實(shí)現(xiàn)不同層級(jí)的特征并行訓(xùn)練,關(guān)注不同尺度的建筑物,使信息融合更加多樣,加強(qiáng)了不同分辨率特征圖信息的流動(dòng),有利于丟失信息的重建,比金字塔結(jié)構(gòu)更加高效。最后提出一種邊界損失函數(shù),使模型在訓(xùn)練過程中能夠更多地關(guān)注建筑物邊界,有效地改善了邊界鋸齒問題。(3)基于條件生成對(duì)抗網(wǎng)絡(luò)的思想,設(shè)計(jì)了一種生成分割對(duì)抗網(wǎng)絡(luò)ResUNet-GAN,以對(duì)抗的方式實(shí)現(xiàn)分割任務(wù)。其中生成網(wǎng)絡(luò)ResUNet在編碼器階段使用殘差模塊,有效地解決了訓(xùn)練過程梯度消失的問題,同時(shí)加深了網(wǎng)絡(luò)層數(shù),有利于特征的提取,在中間加入跳躍連接,有利于多尺度信息融合,最后再加入判別網(wǎng)絡(luò)SimNet進(jìn)行交替訓(xùn)練,實(shí)驗(yàn)證明了判別器對(duì)于分割網(wǎng)絡(luò)的優(yōu)化起到了一定的效果,分割對(duì)抗架構(gòu)在一定程度上能夠提升建筑物提取的精度。
【學(xué)位單位】：中國(guó)礦業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位年份】：2020
【中圖分類】：P237
【部分圖文】：

2卷積神經(jīng)網(wǎng)絡(luò)基本原理9（dilation）：空洞填充間隔。如下為輸出特征圖尺寸(outH)計(jì)算公式：2(1)1inoutHpaddingdilationkernalsizeHstride+=+（2-2）具體卷積操作如圖2-1所示，其中卷積核為3×3，步長(zhǎng)stride為2：圖2-1卷積計(jì)算示意圖Figure2-1Convolutioncalculationdiagram2.1.2池化層池化層也被叫做下采樣層，主要目的是對(duì)特征圖降維并擴(kuò)大感受野，降低參數(shù)量，防止過擬合。特征圖縮小的過程中可以對(duì)冗余信息進(jìn)行過濾，得到不隨空間位置變化而畸變的特征，提升模型的泛化能力。池化層不改變特征圖通道數(shù)，只改變特征圖尺寸，計(jì)算公式如下：1()lljjxdownx=（2-3）其中down()°+表示池化函數(shù)，其余參數(shù)如上節(jié)。常用的池化方法為均值池化和最大值池化。均值池化是對(duì)感受野領(lǐng)域內(nèi)取平均，能夠很好地保留背景信息，減少因鄰域大小受限造成的估計(jì)值方差增大。最大值池化是對(duì)感受野領(lǐng)域內(nèi)取最大值，主要目的是為了保留更多的紋理信息，減少卷積層參數(shù)誤差造成的估計(jì)均值偏移。池化與卷積相同，池化層也有池化核大孝步長(zhǎng)和邊界填充等參數(shù)。具體計(jì)算方式如圖2-2所示，其中池化核2×2，步長(zhǎng)為2。圖2-2池化示意圖Figure2-2Poolingdiagram

2卷積神經(jīng)網(wǎng)絡(luò)基本原理9（dilation）：空洞填充間隔。如下為輸出特征圖尺寸(outH)計(jì)算公式：2(1)1inoutHpaddingdilationkernalsizeHstride+=+（2-2）具體卷積操作如圖2-1所示，其中卷積核為3×3，步長(zhǎng)stride為2：圖2-1卷積計(jì)算示意圖Figure2-1Convolutioncalculationdiagram2.1.2池化層池化層也被叫做下采樣層，主要目的是對(duì)特征圖降維并擴(kuò)大感受野，降低參數(shù)量，防止過擬合。特征圖縮小的過程中可以對(duì)冗余信息進(jìn)行過濾，得到不隨空間位置變化而畸變的特征，提升模型的泛化能力。池化層不改變特征圖通道數(shù)，只改變特征圖尺寸，計(jì)算公式如下：1()lljjxdownx=（2-3）其中down()°+表示池化函數(shù)，其余參數(shù)如上節(jié)。常用的池化方法為均值池化和最大值池化。均值池化是對(duì)感受野領(lǐng)域內(nèi)取平均，能夠很好地保留背景信息，減少因鄰域大小受限造成的估計(jì)值方差增大。最大值池化是對(duì)感受野領(lǐng)域內(nèi)取最大值，主要目的是為了保留更多的紋理信息，減少卷積層參數(shù)誤差造成的估計(jì)均值偏移。池化與卷積相同，池化層也有池化核大孝步長(zhǎng)和邊界填充等參數(shù)。具體計(jì)算方式如圖2-2所示，其中池化核2×2，步長(zhǎng)為2。圖2-2池化示意圖Figure2-2Poolingdiagram

皇竅咝員浠唬?嗨樸詼嗖愀兄???筆??的維度上升到一定級(jí)別時(shí)，即使添加再多的層級(jí)，網(wǎng)絡(luò)的擬合能力也十分有限，因此加入激活函數(shù)理論上能夠使網(wǎng)絡(luò)可以逼近任意數(shù)據(jù)分布。目前比較常用的激活函數(shù)有以下幾種：（1）Sigmoid激活函數(shù)Sigmoid函數(shù)在邏輯斯蒂回歸中占有重要地位，后被引入神經(jīng)網(wǎng)絡(luò)中。Sigmoid激活函數(shù)能夠把輸入的連續(xù)實(shí)值變換為0和1之間的輸出，如果是非常大的負(fù)數(shù)，那么輸出就是0；如果是非常大的正數(shù)，輸出就是1。它的公式為：x1Sigmoidx1e=+（）（2-4）Sigmoid函數(shù)示意圖如圖2-3所示。圖2-3Sigmoid激活函數(shù)Figure2-3SigmoidactivationfunctionSigmoid激活函數(shù)曾經(jīng)被大量使用，但現(xiàn)在使用者較少，主要是其固有的幾個(gè)缺點(diǎn)導(dǎo)致。①?gòu)腟igmoid函數(shù)的示意圖可以看出，Sigmoid函數(shù)在輸出在0和1處的導(dǎo)數(shù)接近于0，當(dāng)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行反向傳播時(shí)，如果該點(diǎn)輸入值較大或較小，梯度趨于0，那么最終相乘得到的結(jié)果就會(huì)趨于0，經(jīng)過多層反向傳播，就會(huì)產(chǎn)生梯度消失的現(xiàn)象，導(dǎo)致網(wǎng)絡(luò)無法更新，如果要訓(xùn)練深層網(wǎng)絡(luò)結(jié)構(gòu)，使用Sigmoid函數(shù)就無法得到很好的結(jié)果，所以在后續(xù)的模型中逐漸被替代。②Sigmoid激活函數(shù)是非原點(diǎn)對(duì)稱的，即輸出為非零均值，輸出均為正數(shù)將導(dǎo)致梯度呈Z字型下降，收斂緩慢。③冪運(yùn)算計(jì)算時(shí)開銷較大。（2）Tanh激活函數(shù)
【參考文獻(xiàn)】

相關(guān)期刊論文 前9條

1 張慶云;趙冬;;高空間分辨率遙感影像建筑物提取方法綜述[J];測(cè)繪與空間地理信息;2015年04期

2 崔有禎;吳露露;辛星;陳國(guó)銳;鄭志雄;;基于改進(jìn)Harris算法的高分辨率遙感影像建筑物角點(diǎn)檢測(cè)研究[J];測(cè)繪通報(bào);2013年09期

3 林卉;劉培;夏俊士;梁亮;;基于分水嶺變換的遙感影像面向?qū)ο蠖喑叨确指钏惴ㄑ芯縖J];測(cè)繪通報(bào);2011年10期

4 黃金庫;馮險(xiǎn)峰;徐秀莉;丁青;;基于知識(shí)規(guī)則構(gòu)建和形態(tài)學(xué)修復(fù)的建筑物提取研究[J];地理與地理信息科學(xué);2011年04期

5 陳杰;鄧敏;肖鵬峰;楊敏華;梅小明;劉慧敏;;基于分水嶺變換與空間聚類的高分辨率遙感影像面向?qū)ο蠓诸怺J];遙感技術(shù)與應(yīng)用;2010年05期

6 王丹;;一種高分辨率遙感影像建筑物邊緣提取方法[J];環(huán)境保護(hù)與循環(huán)經(jīng)濟(jì);2009年10期

7 喬程;駱劍承;吳泉源;沈占鋒;王宏;;面向?qū)ο蟮母叻直媛视跋癯鞘薪ㄖ锾崛J];地理與地理信息科學(xué);2008年05期

8 張峰;薛艷麗;李英成;丁曉波;;基于SVM的多源遙感影像面向?qū)ο蠼ㄖ锾崛》椒╗J];國(guó)土資源遙感;2008年02期

9 陶文兵 ,田巖 ,張鈞 ,田金文 ,柳健;航空?qǐng)D像矩形建筑物自動(dòng)提取方法研究[J];宇航學(xué)報(bào);2003年04期

相關(guān)博士學(xué)位論文 前1條

1 黃昕;高分辨率遙感影像多尺度紋理、形狀特征提取與面向?qū)ο蠓诸愌芯縖D];武漢大學(xué);2009年

相關(guān)碩士學(xué)位論文 前6條

1 黃小兵;高分辨率遙感影像建筑物提取方法研究[D];西安科技大學(xué);2014年

2 劉莉;基于高分辨率遙感影像建筑物提取研究[D];中南大學(xué);2013年

3 魏德強(qiáng);高分辨率遙感影像建筑物提取技術(shù)研究[D];解放軍信息工程大學(xué);2013年

4 李莉;面向?qū)ο蟮母叻直媛蔬b感影像信息提取研究[D];成都理工大學(xué);2012年

5 朱雙志;面向?qū)ο蟮母叻直媛蔬b感圖像分割方法的研究[D];湖南大學(xué);2012年

6 孫寧;面向高空間分辨率遙感影像的建筑物目標(biāo)識(shí)別方法研究[D];浙江大學(xué);2010年

本文編號(hào)：2890321