資源描述：
《基于卷積神經網絡的遙感圖像分類和分割方法研究》由會員上傳分享，免費在線閱讀，更多相關內容在學術論文-天天文庫。
1、碩士學位論文基于卷積神經網絡的遙感圖像分類和分割方法研究REMOTESENSINGIMAGECLASSIFICATIONANDSEGMENTATIONBASEDONCONVOLUTIONALNEURALNETWORK蒲勇飛哈爾濱工業(yè)大學2017年12月國內圖書分類號：TP391.4學校代碼：10213國際圖書分類號：004.9保密：公開工程碩士學位論文基于卷積神經網絡的遙感圖像分類和分割方法研究碩士研究生：蒲勇飛導師：盧光明教授申請學位：工程碩士學科：計算機技術所在單位：深圳研究生院答辯日期：2017年12月授予學位單位：哈爾濱工業(yè)大學Cla
2、ssifiedIndex:TP391.4U.D.C:004.9AdissertationsubmittedinpartialfulfillmentoftherequirementsfortheacademicdegreeofMasterofEngineeringREMOTESENSINGIMAGECLASSIFICATIONANDSEGMENTATIONBASEDONCONVOLUTIONALNEURALNETWORKCandidate：YongfeiPuSupervisor：Prof.GuangmingLuAcademicDegreeApp
3、liedfor：MasterofEngineeringSpeciality：ComputerTechnologyShenzhenGraduateSchoolAffiliation：DateofDefence：December,2017Degree-Conferring-Institution：HarbinInstituteofTechnology哈爾濱工業(yè)大學碩士學位論文摘要遙感圖像是由遙感衛(wèi)星或航拍飛行器拍攝的地表圖像，由于其具有鳥瞰地球的視角，可以用于地圖繪制、農作物面積統(tǒng)計、城市規(guī)劃、氣象監(jiān)測等，得到的信息具有宏觀性和客觀性，具有巨大的
4、社會效益和經濟價值。但由于遙感圖像中包含的信息量巨大，需要使用智能化的方法來幫助我們分析。因此，本文基于卷積神經網絡的方法，提出應用于遙感圖像的粗粒度圖像分類和細粒度圖像分割算法。主要研究內容包括：提出了一種適用于遙感圖像粗粒度分類的多階段網絡模型。針對遙感圖像中存在的易錯分類別問題，構建了一個兩階段轉換模型，實現了由粗到細的分類過程。第一階段模型輸出分類概率后，根據轉換表中的映射關系，將圖像送入對應的第二階段模型做精細分類，通過概率融合層輸出最終的分類概率。實驗結果表明該模型提升了分類準確度，且相比于集成模型減少了計算量和參數尺寸。提出了一
5、種適用于遙感圖像分割的像素權重調整損失函數和結合生成對抗網絡的訓練框架。在分割網絡中，一般使用基于像素的交叉熵作為損失函數，忽略了遙感圖像場景中像素數量不平衡的現象。本文通過改進損失函數，增大了遙感圖像中出現數量較少的像素類別的權重，實驗結果表明該方法加快了網絡的訓練速度和模型的分割性能。之后，結合生成對抗網絡，將分割模型作為生成器，一個二分類模型作為判別器，分辨生成器的分割結果。生成器和判別器通過對抗學習交替訓練，提高各自的性能。實驗表明，在生成對抗網絡框架訓練下的分割模型能夠在性能上得到一定的提升。在公共數據集之外，本文還從GoogleM
6、ap上爬取了10000多幅遙感圖像，建立了一個測試數據庫。實驗結果表明，上述分類和分割方法在該數據庫上也能取得不錯的應用效果。關鍵詞：遙感圖像；卷積神經網絡；生成對抗網絡I哈爾濱工業(yè)大學碩士學位論文ABSTRACTRemotesensingimageisasurfaceimagetakenbyremotesensingsatelliteoraerialcamera.Becauseofitsbird's-eyeviewoftheearth,itcandirectlyobservetheearth’sinformation.Itcanbeused
7、formapdrawing,cropareastatistics,urbanplanning,weathermonitoringandsoon.Ithasgreatsocialandeconomicvalue.Thispaperpresentsmethodsbasedonconvolutionalneuralnetworkforclassificationandsegmentationofremotesensingimage:Theclassificationistoclassifyremotesensingimagewithalabel;s
8、egmentationistoclassifyaremotesensingimageinpixel-level.Themainresearchcontentsinc
