發(fā)布時間：2023-04-11 19:07

　　隨著遙感技術(shù)的快速發(fā)展,高分辨率遙感圖像獲取越來越容易,應(yīng)用越來越廣泛,目前已廣泛應(yīng)用于城市規(guī)劃,環(huán)境保護,災(zāi)害評估和預(yù)測,交通導(dǎo)航,軍事安全等領(lǐng)域。在這些應(yīng)用場景中,一般需要利用計算機視覺技術(shù)對高分辨率遙感圖像進行解析,以提取有效的幾何信息和結(jié)構(gòu)信息。語義分割作為一種重要的圖像內(nèi)容解析方法,一直是遙感圖像處理領(lǐng)域的一個重要研究方向。由于高分辨率遙感圖像背景復(fù)雜,地物結(jié)構(gòu)多樣,細(xì)節(jié)豐富等特點,將傳統(tǒng)的語義分割算法應(yīng)用于遙感圖像的處理時往往存在分割精度低的問題。近年來隨著深度學(xué)習(xí),特別是深度卷積神經(jīng)網(wǎng)絡(luò)在自然圖像處理領(lǐng)域中的巨大成功,也促使其拓展到遙感圖像的解析和處理上,推動了包括語義分割在內(nèi)的高分辨率遙感圖像相關(guān)任務(wù)的發(fā)展。本文主要圍繞當(dāng)前基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像語義分割算法在高分辨率遙感圖像中的應(yīng)用進行深入研究,主要研究內(nèi)容如下:(1)由于深度卷積神經(jīng)網(wǎng)絡(luò)固有的特點,其在應(yīng)用于高分辨率遙感圖像的語義分割時,一般存在對地物語義邊界分割不準(zhǔn)確,地物內(nèi)部子區(qū)域標(biāo)簽預(yù)測不一致的問題。針對該問題,本文提出了一種將深度卷積神經(jīng)網(wǎng)絡(luò)和超像素分割相結(jié)合的算法結(jié)構(gòu),用于深度語義分割網(wǎng)絡(luò)模型分割結(jié)果的...

【文章頁數(shù)】：137 頁

【學(xué)位級別】：博士

【文章目錄】：
摘要
abstract
符號列表
第1章 緒論
    1.1 研究背景與意義
    1.2 國內(nèi)外研究現(xiàn)狀
        1.2.1 傳統(tǒng)圖像分割方法研究現(xiàn)狀
        1.2.2 基于深度學(xué)習(xí)的語義分割方法研究現(xiàn)狀
        1.2.3 遙感圖像語義分割方法研究現(xiàn)狀
    1.3 本文的研究內(nèi)容與章節(jié)安排
第2章 卷積神經(jīng)網(wǎng)絡(luò)基礎(chǔ)理論與相關(guān)技術(shù)
    2.1 引言
    2.2 機器學(xué)習(xí)概述
    2.3 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)
        2.3.1 卷積層
        2.3.2 池化層
        2.3.3 激活層
        2.3.4 批標(biāo)準(zhǔn)化層
        2.3.5 丟棄層
        2.3.6 全連接層
        2.3.7 輸出層
    2.4 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練
        2.4.1 反向傳播算法
        2.4.2 優(yōu)化算法
    2.5 典型語義分割神經(jīng)網(wǎng)絡(luò)模型
        2.5.1 FCN
        2.5.2 Seg Net
        2.5.3 U-Net
        2.5.4 Deep Labv3+
    2.6 本章小結(jié)
第3章 深度神經(jīng)網(wǎng)絡(luò)和超像素相結(jié)合的遙感圖像語義分割
    3.1 引言
    3.2 算法原理
        3.2.1 深度語義分割模型預(yù)處理
        3.2.2 超像素分割
        3.2.3 區(qū)域投票算法
    3.3 實驗結(jié)果與分析
        3.3.1 實驗相關(guān)設(shè)置
        3.3.2 實驗結(jié)果與分析
        3.3.3 quick shift算法中參數(shù)對分割結(jié)果的影響
        3.3.4 在Deep Labv3+語義分割網(wǎng)絡(luò)模型上的實驗結(jié)果
    3.4 本章小結(jié)
第4章 基于邊界監(jiān)督的雙路徑輕量級遙感圖像語義分割網(wǎng)絡(luò)模型
    4.1 引言
    4.2 基于邊界監(jiān)督的雙路徑輕量級遙感圖像語義分割網(wǎng)絡(luò)模型
        4.2.1 網(wǎng)絡(luò)總體結(jié)構(gòu)
        4.2.2 編碼器
        4.2.3 解碼器
        4.2.4 損失函數(shù)
    4.3 實驗結(jié)果與分析
        4.3.1 數(shù)據(jù)集與評價指標(biāo)
        4.3.2 訓(xùn)練的相關(guān)設(shè)置
        4.3.3 網(wǎng)絡(luò)各模塊對分割性能的影響
        4.3.4 與其他方法的比較
        4.3.5 實驗結(jié)果討論
    4.4 本章小結(jié)
第5章 基于半監(jiān)督學(xué)習(xí)的遙感圖像語義分割
    5.1 引言
    5.2 半監(jiān)督語義分割網(wǎng)絡(luò)訓(xùn)練流程
    5.3 基于殘差結(jié)構(gòu)的半監(jiān)督語義分割網(wǎng)絡(luò)模型
    5.4 實驗結(jié)果與分析
        5.4.1 數(shù)據(jù)集與評價指標(biāo)
        5.4.2 訓(xùn)練的相關(guān)設(shè)置
        5.4.3 ISPRS Vaihingen數(shù)據(jù)集實驗結(jié)果與分析
        5.4.4 ISPRS Potsdam數(shù)據(jù)集實驗結(jié)果與分析
        5.4.5 WHU建筑物語義分割數(shù)據(jù)集實驗結(jié)果與分析
    5.5 本章小結(jié)
第6章 基于嵌入式GPU的語義分割算法實現(xiàn)與應(yīng)用
    6.1 引言
    6.2 基于邊界監(jiān)督的雙路徑輕量級語義分割網(wǎng)絡(luò)在嵌入式GPU上的實現(xiàn)
        6.2.1 系統(tǒng)組成
        6.2.2 數(shù)據(jù)預(yù)處理與傳輸
        6.2.3 語義分割網(wǎng)絡(luò)在Jetson TX2上的實現(xiàn)
    6.3 在遙感圖像目標(biāo)語義分割中的應(yīng)用
        6.3.1 遙感圖像目標(biāo)語義分割數(shù)據(jù)集
        6.3.2 在嵌入式GPU上的實驗
    6.4 本章小結(jié)
第7章 總結(jié)與展望
    7.1 本文工作總結(jié)
    7.2 論文創(chuàng)新點
    7.3 未來展望
參考文獻
作者簡歷及攻讀學(xué)位期間發(fā)表的學(xué)術(shù)論文與研究成果
致謝



本文編號：3789586