土地覆被在城市規(guī)劃、自然資源管理、環(huán)境研究、生物多樣性保護等領(lǐng)域具有重要作用,高效準(zhǔn)確的提取土地覆被分類信息對于推動經(jīng)濟發(fā)展、促進生態(tài)文明建設(shè)、實現(xiàn)人與自然和諧共榮意義重大。隨著遙感平臺和傳感器技術(shù)的迅猛發(fā)展,高分辨率遙感影像數(shù)據(jù)增多并不斷應(yīng)用到商業(yè)、農(nóng)業(yè)、林業(yè)、畜牧業(yè)、礦業(yè)等社會經(jīng)濟生活的各個方面,為進行土地覆被精細(xì)分類提供了重要支撐。然而高分辨率遙感影像細(xì)節(jié)被放大,地物特征類型更為復(fù)雜,分類難度增加,由此引入具有強大容錯能力、特征學(xué)習(xí)與表達(dá)能力的卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Networks,CNN）。但由于卷積神經(jīng)網(wǎng)絡(luò)模型輸出特征高度抽象且僅從基于像元產(chǎn)生的局部影像塊中學(xué)習(xí)深度特征,所以分類結(jié)果邊界模糊、“椒鹽現(xiàn)象”嚴(yán)重。同時基于對象的影像分析方法可以大大減少“椒鹽現(xiàn)象”,提高分類性能,但其難以充分挖掘高分辨率遙感影像中豐富的深層特征,制約了土地覆被分類精度的提高。據(jù)此,本文提出一種應(yīng)用特征組合的基于對象卷積神經(jīng)網(wǎng)絡(luò)（Object Based Convolutional Neural Network Using Feature Combination,O... 

【文章來源】：蘭州大學(xué)甘肅省 211工程院校 985工程院校 教育部直屬院校

【文章頁數(shù)】：104 頁

【學(xué)位級別】：碩士

【部分圖文】：

技術(shù)路線圖

蘭州大學(xué)碩士學(xué)位論文應(yīng)用特征組合的基于對象卷積神經(jīng)網(wǎng)絡(luò)在高分辨率影像分類中的研究11第二章原理與方法2.1卷積神經(jīng)網(wǎng)絡(luò)卷積神經(jīng)網(wǎng)絡(luò)由輸入層、卷積層、池化層、全連接層和輸出層組成，其經(jīng)典結(jié)構(gòu)如圖2-1所示。卷積神經(jīng)網(wǎng)絡(luò)模擬人類大腦視覺認(rèn)知過程，輸入層輸入原始影像，由卷積層提取特征，并由池化層對特征抽象表達(dá)，通過卷積-池化過程的堆疊逐步實現(xiàn)影像地物深層特征挖掘。由于卷積層和池化層輸出的都是復(fù)雜且抽象的二維特征圖，無法直接輸入到分類器中進行類別判別，因此需要在分類器前加入全連接層以實現(xiàn)特征從二維到一維的映射和優(yōu)化。最后將一維特征輸入到分類器中完成影像分類。圖2-1卷積神經(jīng)網(wǎng)絡(luò)的經(jīng)典結(jié)構(gòu)2.1.1基本組成（1）卷積層基于卷積神經(jīng)網(wǎng)絡(luò)稀疏連接和權(quán)值共享的策略，卷積層可以高效準(zhǔn)確地獲取具有平移旋轉(zhuǎn)縮放不變性的影像特征，是卷積神經(jīng)網(wǎng)絡(luò)的重要組成之一。卷積層利用多個卷積核對上一層輸出特征進行卷積運算，并通過激活函數(shù)把輸出值映射到一定范圍內(nèi)，最終輸出卷積層特征圖。卷積核由反向傳播算法訓(xùn)練得到，每個卷積核包含不同權(quán)值，從而提取輸入影像的不同特征。將卷積神經(jīng)網(wǎng)絡(luò)原始輸入影像記為X，第i層輸出的特征圖記為Yi，那么X=Y0。假設(shè)第i層為卷積層，則其計算過程如公式（2.1）所示。)(1iiiiYYbWf（2.1）其中，f()表示激活函數(shù)；i1Y表示第i-1層的特征圖；iW表示第i層卷積核權(quán)重向

蘭州大學(xué)碩士學(xué)位論文應(yīng)用特征組合的基于對象卷積神經(jīng)網(wǎng)絡(luò)在高分辨率影像分類中的研究12量；ib表示第i層偏移向量；表示卷積操作。激活函數(shù)一般為非線性變換函數(shù)，增強了卷積神經(jīng)網(wǎng)絡(luò)模型非線性表達(dá)和稀疏表達(dá)的能力。傳統(tǒng)CNN中常用飽和非線性函數(shù)作為激活函數(shù)，如sigmoid函數(shù)（公式（2.2））、tanh函數(shù)（公式（2.3））。如圖2-2所示，sigmoid函數(shù)和tanh函數(shù)分別為在值域[0,1]和[-1,1]之間單調(diào)遞增的光滑函數(shù)，其中tanh函數(shù)是sigmoid函數(shù)的變形。xexf11)(（2.2）xxxxeeeexf)(（2.3）圖2-2sigmoid函數(shù)和tanh函數(shù)曲線然而飽和非線性函數(shù)收斂速度慢且梯度易爆炸或消失，因此近幾年不飽和非線性函數(shù)如ReLU函數(shù)[143]被廣泛使用。ReLU不依賴無監(jiān)督逐層預(yù)訓(xùn)練而是直接監(jiān)督訓(xùn)練深度神經(jīng)網(wǎng)絡(luò)，通過閾值化進行激活，與sigmoid和tanh函數(shù)相比，可以有效解決梯度彌散問題，且訓(xùn)練速度更快[143]。之后，基于ReLU又提出了改進激活函數(shù)，如LeakyReLU[144]，ParametricReLU[145]等。ReLU函數(shù)的表達(dá)式如公式（2.4）所示。xxf),0max()(（2.4）卷積層層數(shù)越多提取得到的特征越復(fù)雜，一般來說，低層卷積層提取輸入影像的角點和邊緣等低層次特征，而高層卷積層則可以獲取包含清晰語義信息的抽象高級特征，從而極大程度上提高影像分類準(zhǔn)確度[146]。（2）池化層通過卷積層獲取的特征維數(shù)很大，不僅增加計算量而且易產(chǎn)生過擬合問題[43]。

【參考文獻】：
期刊論文
[1]1990～2015年韓國土地覆被變化及其驅(qū)動因素[J]. 于皓,張柏,王宗明,任春穎,毛德華,賈明明.  地理科學(xué). 2017(11)
[2]深度卷積神經(jīng)網(wǎng)絡(luò)特征提取用于地表覆蓋分類初探[J]. 張偉,鄭柯,唐娉,趙理君.  中國圖象圖形學(xué)報. 2017(08)
[3]單變量特征選擇的蘇北地區(qū)主要農(nóng)作物遙感識別[J]. 王娜,李強子,杜鑫,張源,趙龍才,王紅巖.  遙感學(xué)報. 2017(04)
[4]結(jié)合ReliefF、GA和SVM的面向?qū)ο蠼ㄖ锬繕?biāo)識別特征選擇方法[J]. 薛章鷹,劉興權(quán).  測繪工程. 2017(02)
[5]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計算機學(xué)報. 2017(06)
[6]基于卷積神經(jīng)網(wǎng)絡(luò)的遙感圖像艦船目標(biāo)檢測[J]. 黃潔,姜志國,張浩鵬,姚遠(yuǎn).  北京航空航天大學(xué)學(xué)報. 2017(09)
[7]一種基于特征選擇的面向?qū)ο筮b感影像分類方法[J]. 王永吉,孟慶巖,楊健,孫云曉,李鵬,邢武杰.  科學(xué)技術(shù)與工程. 2016(32)
[8]機器學(xué)習(xí)法在面向?qū)ο笥跋穹诸愔械膶Ρ确治鯷J]. 趙丹平,顧海燕,賈瑩.  測繪科學(xué). 2016(10)
[9]聯(lián)合顯著性和多層卷積神經(jīng)網(wǎng)絡(luò)的高分影像場景分類[J]. 何小飛,鄒崢嶸,陶超,張佳興.  測繪學(xué)報. 2016(09)
[10]利用多尺度特征與深度網(wǎng)絡(luò)對遙感影像進行場景分類[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測繪學(xué)報. 2016(07)

博士論文
[1]高分辨率遙感影像面向?qū)ο蠓诸惙椒ㄑ芯縖D]. 陳杰.中南大學(xué) 2010

碩士論文
[1]高分辨率遙感影像道路目標(biāo)智能識別方法研究[D]. 王志盼.西南交通大學(xué) 2017
[2]基于不透水表面信息遙感提取的城市擴展研究[D]. 王婷.蘭州大學(xué) 2013
[3]多標(biāo)簽學(xué)習(xí)中特征選擇和分類問題的研究[D]. 黃莉莉.安徽大學(xué) 2013



本文編號：2962634