近年來,借助于卷積神經(jīng)網(wǎng)絡(luò)的快速發(fā)展,深度卷積神經(jīng)網(wǎng)絡(luò)得以應用于大多數(shù)領(lǐng)域并且取得驚人的成就。通過使用卷積神經(jīng)網(wǎng)絡(luò)對遙感圖像進行深度特征的提取并且進行分類,使得遙感圖像場景分類任務的分類性能得到極大的提高。深度網(wǎng)絡(luò)特別是深層卷積神經(jīng)網(wǎng)絡(luò)模型(VGG16,ResNet,DenseNet等)在提升分類性能的同時,也帶來了參數(shù)量,計算量龐大以及存儲開銷的問題。研究適用于遙感圖像場景分類任務的卷積神經(jīng)網(wǎng)絡(luò)輕量化方法對于模型在資源受限環(huán)境下的部署有著重要意義�；诖�,本文主要完成了以下工作:提出了輕量化網(wǎng)絡(luò)MobileNetv2的改進框架。首先在MobileNetv2的基礎(chǔ)上引入密集連接,借助特征圖的復用提高網(wǎng)絡(luò)性能。利用一個擴張系數(shù)為1,步長為1的瓶頸與一個擴張系數(shù)為1,步長為2的瓶頸的組合壓縮特征圖的通道數(shù),同時對瓶頸輸出通道數(shù)進行調(diào)整,利用該方法得到了一個更小的網(wǎng)絡(luò)模型,在遙感影像場景分類數(shù)據(jù)集NWPU-RESISC45上驗證了該方法的有效性。提出了一種對網(wǎng)絡(luò)進行濾波器剪枝的復合剪枝算法。復合剪枝是濾波器剪枝,從剪枝粒度上是粗粒度剪枝。本文首先定義卷積層濾波器彈性,借助濾波器彈性衡量剪去該濾...

【文章頁數(shù)】：60 頁

【學位級別】：碩士

【文章目錄】：
摘要
Abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 遙感圖像場景分類
        1.2.2 卷積神經(jīng)網(wǎng)絡(luò)輕量化
    1.3 本文主要研究內(nèi)容和章節(jié)安排
        1.3.1 研究內(nèi)容
        1.3.2 章節(jié)安排
第二章 相關(guān)理論介紹
    2.1 卷積網(wǎng)絡(luò)
        2.1.1 卷積層
        2.1.2 激活層
        2.1.3 批歸一化層
        2.1.4 優(yōu)化算法
        2.1.5 Dropout層
        2.1.6 遷移學習
    2.2 卷積神經(jīng)網(wǎng)絡(luò)壓縮與加速
        2.2.1 高效卷積結(jié)構(gòu)
        2.2.2 神經(jīng)網(wǎng)絡(luò)剪枝
    2.3 本章小結(jié)
第三章 改進Mobile Net V2 網(wǎng)絡(luò)在遙感影像場景分類中的應用
    3.1 概述
    3.2 網(wǎng)絡(luò)結(jié)構(gòu)及設(shè)計思路
        3.2.1 瓶頸設(shè)計
        3.2.2 網(wǎng)絡(luò)整體結(jié)構(gòu)
        3.2.3 理論參數(shù)量與計算量分析
    3.3 實驗及分析
        3.3.1 實驗環(huán)境與數(shù)據(jù)集
        3.3.2 網(wǎng)絡(luò)的訓練與分析
    3.4 本章總結(jié)
第四章 復合剪枝在遙感圖像場景分類上的應用
    4.1 概述
    4.2 復合剪枝
        4.2.1 濾波器彈性
        4.2.2 復合剪枝與其他方法的區(qū)別
        4.2.3 不同網(wǎng)絡(luò)結(jié)構(gòu)剪枝細節(jié)
    4.3 實驗與分析
        4.3.1 數(shù)據(jù)集
        4.3.2 網(wǎng)絡(luò)模型
        4.3.3 訓練、剪枝和微調(diào)
        4.3.4 實驗結(jié)果
        4.3.5 消融實驗
    4.4 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻
致謝
攻讀學位期間的研究成果



本文編號：4012375