地表覆蓋是一種重要的地理信息資源,是自然資源監(jiān)測(cè)、國(guó)土空間規(guī)劃、地理國(guó)情普查、宏觀調(diào)控分析等不可或缺的重要信息。近年來(lái)高分辨率衛(wèi)星影像數(shù)據(jù)獲取能力不斷增強(qiáng),為地表覆蓋分類提供了堅(jiān)實(shí)的數(shù)據(jù)基礎(chǔ)。然而在實(shí)際應(yīng)用中,大量的地表覆蓋分類仍然依靠人工解譯處理,難以滿足當(dāng)前大尺度、海量影像地表覆蓋分類處理與提取的要求。為了滿足高效、準(zhǔn)確、自動(dòng)化的地表覆蓋分類應(yīng)用要求,本文圍繞地表覆蓋分類問(wèn)題,研究了利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行高分辨率衛(wèi)星影像地表覆蓋分類的關(guān)鍵技術(shù),提出了基于卷積神經(jīng)網(wǎng)絡(luò)的地表覆蓋分類具體方法,提高了地表覆蓋分類精度與效率。論文主要研究?jī)?nèi)容如下:(1)結(jié)合高分辨率衛(wèi)星影像特點(diǎn)與地表覆蓋分類要求,研究了卷積神經(jīng)網(wǎng)絡(luò)地表覆蓋語(yǔ)義分割方法、特征提取方法與分類方法。研究并設(shè)計(jì)了包含編碼與解碼結(jié)構(gòu)的地表覆蓋分類卷積神經(jīng)網(wǎng)絡(luò)(LCC-CNN)。LCC-CNN通過(guò)增加多尺度特征感知模塊與多尺度特征融合模塊,強(qiáng)化了對(duì)多尺度地表覆蓋分類特征的提取與融合。通過(guò)融合低層特征信息,改進(jìn)損失函數(shù),強(qiáng)化了圖斑邊緣學(xué)習(xí)與分類效果,增強(qiáng)了 LCC-CNN的地表覆蓋分類能力。(2)根據(jù)遙感影像數(shù)據(jù)特點(diǎn),研究了地表覆蓋分類訓(xùn)...

【文章頁(yè)數(shù)】：148 頁(yè)

【學(xué)位級(jí)別】：博士

【文章目錄】：
中文摘要
Abstract
第1章 引言
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 地表覆蓋分類研究進(jìn)展
        1.2.2 深度卷積神經(jīng)網(wǎng)絡(luò)研究進(jìn)展
        1.2.3 深度卷積神經(jīng)網(wǎng)絡(luò)在地表覆蓋分類的應(yīng)用進(jìn)展
        1.2.4 當(dāng)前研究中存在的主要問(wèn)題
    1.3 研究?jī)?nèi)容及技術(shù)路線
        1.3.1 研究?jī)?nèi)容
        1.3.2 技術(shù)路線
    1.4 論文組織結(jié)構(gòu)
第2章 基于卷積神經(jīng)網(wǎng)絡(luò)的地表覆蓋分類方法
    2.1 卷積神經(jīng)網(wǎng)絡(luò)原理
        2.1.1 卷積神經(jīng)網(wǎng)絡(luò)特征提取方法
        2.1.2 誤差反向傳播算法
        2.1.3 卷積神經(jīng)網(wǎng)絡(luò)圖像語(yǔ)義分割方法
    2.2 基于卷積神經(jīng)網(wǎng)絡(luò)的地表覆蓋分類模型構(gòu)建方法
        2.2.1 LCC-CNN特征提取方法
        2.2.2 LCC-CNN解碼與分類方法
        2.2.3 LCC-CNN訓(xùn)練算法
    2.3 本章小結(jié)
第3章 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練樣本增廣方法
    3.1 數(shù)據(jù)源與實(shí)驗(yàn)區(qū)域的選取
    3.2 訓(xùn)練樣本的制作與精化
        3.2.1 試驗(yàn)區(qū)地表覆蓋分類原則
        3.2.2 基礎(chǔ)訓(xùn)練樣本的制作與外業(yè)核查
    3.3 訓(xùn)練樣本數(shù)據(jù)增廣方法
        3.3.1 幾何變換數(shù)據(jù)增廣方法
        3.3.2 像素變換數(shù)據(jù)增廣方法
        3.3.3 有效增廣數(shù)據(jù)篩選算法
    3.4 代價(jià)敏感學(xué)習(xí)
    3.5 實(shí)驗(yàn)與分析
        3.5.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境
        3.5.2 訓(xùn)練樣本精化效果實(shí)驗(yàn)
        3.5.3 訓(xùn)練樣本增廣實(shí)驗(yàn)
        3.5.4 實(shí)驗(yàn)結(jié)論
    3.6 本章小結(jié)
第4章 LCC-CNN的訓(xùn)練與地表覆蓋分類優(yōu)化
    4.1 LCC-CNN輸入特征優(yōu)化方法
        4.1.1 地表覆蓋特征擴(kuò)充方法
        4.1.2 地表覆蓋特征篩選方法
    4.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練優(yōu)化方法
        4.2.1 隨機(jī)梯度下降
        4.2.2 批歸一化
        4.2.3 參數(shù)初始化
        4.2.4 遷移學(xué)習(xí)與微調(diào)
    4.3 LCC-CNN后處理優(yōu)化方法
        4.3.1 條件隨機(jī)場(chǎng)后處理方法
        4.3.2 地表覆蓋分類后處理方法
    4.4 LCC-CNN地表覆蓋分類實(shí)驗(yàn)與分析
        4.4.1 LCC-CNN地表覆蓋分類實(shí)驗(yàn)
        4.4.2 地表覆蓋分類效率對(duì)比實(shí)驗(yàn)
        4.4.3 地表覆蓋分類實(shí)驗(yàn)結(jié)論
    4.5 LCC-CNN在甘蔗種植面積監(jiān)測(cè)中的應(yīng)用
        4.5.1 LCC-CNN在甘蔗種植面積監(jiān)測(cè)中的訓(xùn)練過(guò)程
        4.5.2 LCC-CNN在甘蔗種植面積監(jiān)測(cè)應(yīng)用中的精度評(píng)價(jià)與對(duì)比分析
        4.5.3 LCC-CNN在甘蔗種植面積監(jiān)測(cè)中的應(yīng)用效果
    4.6 本章小結(jié)
第5章 基于LCC-CNN的多時(shí)相修正地表覆蓋分類
    5.1 多時(shí)相修正地表覆蓋分類方法原理
    5.2 基于并行網(wǎng)絡(luò)的多時(shí)相地表覆蓋分類修正算法
        5.2.1 并行網(wǎng)絡(luò)的構(gòu)建方法
        5.2.2 多時(shí)相修正分類算法
    5.3 多時(shí)相修正分類算法在地理國(guó)情監(jiān)測(cè)中的應(yīng)用
        5.3.1 實(shí)驗(yàn)數(shù)據(jù)與環(huán)境
        5.3.2 多時(shí)相修正算法實(shí)驗(yàn)與分析
        5.3.3 多時(shí)相修正地表覆蓋分類方法在地理國(guó)情監(jiān)測(cè)中的應(yīng)用效果
        5.3.4 應(yīng)用結(jié)論與討論
    5.4 本章小結(jié)
第6章 結(jié)論與展望
    6.1 主要研究?jī)?nèi)容與結(jié)論
    6.2 主要?jiǎng)?chuàng)新點(diǎn)
    6.3 展望
致謝
參考文獻(xiàn)
附錄



本文編號(hào)：3833862