資源描述：
《基于深度特征學(xué)習(xí)的高分辨率遙感影像分類》由會員上傳分享，免費在線閱讀，更多相關(guān)內(nèi)容在學(xué)術(shù)論文-天天文庫。
1、密級:碩士學(xué)位論文基于深度特征學(xué)習(xí)的高分辨率遙感影像分類作者姓名:楊惠雯指導(dǎo)教師:方俊永副研究員中國科學(xué)院遙感與數(shù)字地球研究所學(xué)位類別:工程碩士學(xué)科專業(yè):電子與通信工程研究所:中國科學(xué)院遙感與數(shù)字地球研究所2018年5月HighResolutionRemoteSensingImageryClassificationBasedonDeepLearningByYangHuiwenADissertation/ThesisSubmittedtoTheUniversityofChineseAcademyofSciencesInpartialfulfillmentoftherequire
2、mentForthedegreeofMasterofEngineeringInstituteofRemoteSensingandDigitalEarth5,2017中國科學(xué)院遙感與數(shù)字地球研究所學(xué)位論文原創(chuàng)性聲明和使用授權(quán)說明原創(chuàng)性聲明本人鄭重聲明：所呈交的學(xué)位論文，是本人在導(dǎo)師的指導(dǎo)下，獨立進行研究工作所取得的成果。論文中凡引用他人已經(jīng)發(fā)表或未發(fā)表的成果、數(shù)據(jù)、觀點等，均已明確注明出處。除文中已經(jīng)注明引用的內(nèi)容外，本論文不含任何其他個人或集體已經(jīng)發(fā)表或撰寫過的成果。對本文的研究做出重要貢獻的個人和集體，均已在文中以明確方式標明。本聲明的法律責(zé)任由本人承擔(dān)。論文作者簽名：日期
3、：年月日學(xué)位論文使用授權(quán)說明本人在導(dǎo)師指導(dǎo)下完成的論文，知識產(chǎn)權(quán)歸屬中國科學(xué)院遙感與數(shù)字地球研究所。本人完全了解中國科學(xué)院遙感與數(shù)字地球研究所關(guān)于收集、保存、使用學(xué)位論文的規(guī)定，同意研究所保存或向國家有關(guān)部門及機構(gòu)送交論文的印刷版和電子版，允許論文被查閱和借閱；同意授權(quán)研究所采用影印、縮印、數(shù)字化或其它復(fù)制手段保存和匯編本學(xué)位論文。本人保證畢業(yè)后，以本論文數(shù)據(jù)和資料發(fā)表論文（著作）或使用論文工作成果時，第一署名單位為中國科學(xué)院遙感與數(shù)字地球研究所，并征得導(dǎo)師同意。保密論文在解密后遵守此規(guī)定。論文作者簽名：導(dǎo)師簽名：日期：年月日摘要摘要高分辨率遙感影像目標分類與識別是高分辨率對
4、地觀測系統(tǒng)和自動識別系統(tǒng)信息提取和處理的重要組成部分。高分辨率遙感影像作為一種空間大數(shù)據(jù)，逐漸被應(yīng)用于應(yīng)急減災(zāi)、現(xiàn)代軍事、精準農(nóng)業(yè)等領(lǐng)域中，對影像實時處理效率、分類精度和自動化水平提出更高的要求。隨著高分辨率遙感數(shù)據(jù)量的海量增長、數(shù)據(jù)表現(xiàn)形式的逐漸多樣以及遙感影像場景的復(fù)雜，人工設(shè)計的特征已無法滿足高分辨率遙感影像的精確分類和識別任務(wù)。因此，研究基于深度學(xué)習(xí)的流程和方法對提高遙感信息的提取精度和分類效率具有重要的意義和價值。本文針對高分辨率遙感影像的分類問題，開展以下幾個方面的研究：首先，針對深度學(xué)習(xí)監(jiān)督分類中大量標簽樣本獲取費時費力的問題，提出利用支持向量機的方法生成類內(nèi)距
5、離小、類間距離大的樣本集，然后采用一系列數(shù)據(jù)增強操作對數(shù)據(jù)集進行擴展，豐富數(shù)據(jù)樣本的多樣性，以使得訓(xùn)練的神經(jīng)網(wǎng)絡(luò)模型更具泛化能力。其次，針對傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)中全聯(lián)接層將特征圖像壓縮為一維而丟失空間信息的問題，本文在VGG-16網(wǎng)絡(luò)基礎(chǔ)上提出修改后的SVM-FCN深度全卷積網(wǎng)絡(luò)。為提高物體的判別精度，網(wǎng)絡(luò)中還融合了不同層級網(wǎng)絡(luò)的特征表達。在預(yù)測分類階段，本文提出滑動步長大于1和雙線性上采樣的分類方法，在提高分類效率的同時提高了分類精度。最后，針對全卷積神經(jīng)網(wǎng)絡(luò)FCN-32s和FCN-8s語義分割效果不佳的問題，提出使用具有編碼-解碼結(jié)構(gòu)的SegNet和DeconvNet兩種模型
6、進行遙感影像語義分割。將VGG-16模型中的卷積網(wǎng)絡(luò)作為SegNet和DeconvNet的編碼結(jié)構(gòu)，自動提取性能更佳的特征，使用與編碼對稱的解碼結(jié)構(gòu)恢復(fù)卷積神經(jīng)網(wǎng)絡(luò)提取影像的特征信息，并將其作為分類器的輸入，完成端到端的學(xué)習(xí)任務(wù)。關(guān)鍵詞：高分辨率遙感影像；深度學(xué)習(xí)；深度卷積神經(jīng)網(wǎng)絡(luò)；圖像分類；圖像語義分割I(lǐng)ABSTRACTABSTRACTTargetclassificationandrecognitionofhigh-resolutionremotesensingimagesisanimportantpartofinformationextractionandprocessi
7、ngofearthobservationsystemsandautomaticidentificationsystems.High-resolutionremotesensingimages,asaspatialbigdata,whicharewidelyusedinfieldssuchasemergencyandmitigation,modernmilitary,andprecisionagriculture,putforwardhigherrequirementsforimagereal-timep
