版權(quán)說(shuō)明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)
文檔簡(jiǎn)介
1、高光譜圖像分類是目前遙感技術(shù)的重要研究方向。高光譜圖像通過(guò)提取物體在多個(gè)光譜下的成像結(jié)果,獲得了更豐富的信息,更有利于物體的分類和目標(biāo)的檢測(cè)。高光譜數(shù)據(jù)具有通道數(shù)目多、相鄰?fù)ǖ赖臄?shù)據(jù)內(nèi)容相似、信息冗余大的性質(zhì),因此高光譜數(shù)據(jù)的特征提取相對(duì)一般RGB數(shù)據(jù)更為復(fù)雜。目前高光譜數(shù)據(jù)特征獲取算法大部分從以下兩方面入手:同一通道內(nèi)的局部空間信息,不同通道同一空間位置的譜線信息。然而這些的特征提取方式需要大量的先驗(yàn)知識(shí),難以充分把握高光譜數(shù)據(jù)的全部
2、空域、譜域信息,并且模型泛化能力較差。卷積神經(jīng)網(wǎng)絡(luò)具有強(qiáng)大的特征提取能力,它提取的特征具有平移、旋轉(zhuǎn)、尺度不變性,卷積神經(jīng)網(wǎng)絡(luò)可以充分挖掘出高光譜圖像的內(nèi)在特征。并且卷積神經(jīng)網(wǎng)絡(luò)使用梯度下降的訓(xùn)練方法,不需要過(guò)多的先驗(yàn)知識(shí),只需給定輸入和分類標(biāo)簽,即可自動(dòng)完成特征的提取及分類。本課題從高光譜數(shù)據(jù)自身的結(jié)構(gòu)性質(zhì)出發(fā),截取高光譜數(shù)據(jù)的立體圖像塊,使用卷積神經(jīng)網(wǎng)絡(luò)處理提取到的塊。通過(guò)多層卷積、池化操作獲取高光譜數(shù)據(jù)本質(zhì)信息,從而完成對(duì)高光譜數(shù)
3、據(jù)的分類。
本研究主要內(nèi)容包括:⑴考慮高光譜數(shù)據(jù)的結(jié)構(gòu)性質(zhì),制定適用于高光譜數(shù)據(jù)分類的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。高光譜圖像是多通道圖像,每個(gè)通道代表了在同一拍攝位置不同波長(zhǎng)光線下物體的成像結(jié)果。高光譜圖像通道數(shù)目多,數(shù)據(jù)量大,這種特點(diǎn)與卷積神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練數(shù)據(jù)的性質(zhì)相契合。本文設(shè)計(jì)了包含多尺度特征提取層、特征融合層、特征降維層的卷積神經(jīng)網(wǎng)絡(luò),網(wǎng)絡(luò)充分提取了高光譜圖像的空間、譜間特征,并獲得了優(yōu)良的分類性能。文中分析了網(wǎng)絡(luò)結(jié)構(gòu)對(duì)分類
4、性能的影響,討論了網(wǎng)絡(luò)深度與分類正確率、運(yùn)行時(shí)間的關(guān)系。⑵針對(duì)卷積神經(jīng)網(wǎng)絡(luò)中的全連接層缺乏非線性結(jié)構(gòu)的問(wèn)題,將卷積網(wǎng)絡(luò)與傳統(tǒng)的支持向量機(jī)結(jié)合。卷積神經(jīng)網(wǎng)絡(luò)的卷積、池化、Relu層具有強(qiáng)大的特征提取能力,但全連接層只包含簡(jiǎn)單的線性結(jié)構(gòu),對(duì)于特征的分類能力不足。支持向量機(jī)是最大化分類間隔的分類器,擁有優(yōu)秀的非線性問(wèn)題處理能力。為了充分利用卷積網(wǎng)絡(luò)特征提取的優(yōu)勢(shì)和支持向量機(jī)處理非線性問(wèn)題的優(yōu)勢(shì),本文設(shè)計(jì)了算法框架將卷積網(wǎng)絡(luò)和支持向量機(jī)有機(jī)地結(jié)
5、合。算法先單獨(dú)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),當(dāng)網(wǎng)絡(luò)訓(xùn)練完成后,將樣本送入到卷積網(wǎng)絡(luò)中得到全連接層向量,使用全連接層向量及分類標(biāo)簽來(lái)訓(xùn)練支持向量機(jī)。卷積網(wǎng)絡(luò)和支持向量機(jī)結(jié)合的操作進(jìn)一步提升了高光譜數(shù)據(jù)的分類準(zhǔn)確率。⑶針對(duì)具體圖像內(nèi)容設(shè)計(jì)了自適應(yīng)的空域窗口。在使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)高光譜圖像某個(gè)像素點(diǎn)分類時(shí),需要提取以此像素點(diǎn)為中心的空域窗口,然后將窗口送入網(wǎng)絡(luò)中得到預(yù)測(cè)標(biāo)簽??沼虼翱诘拇笮±碚撋蠎?yīng)該是基于圖像內(nèi)容的,即在圖像內(nèi)容簡(jiǎn)單的區(qū)域使用大的空域窗口
溫馨提示
- 1. 本站所有資源如無(wú)特殊說(shuō)明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
- 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
- 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒(méi)有圖紙預(yù)覽就沒(méi)有圖紙。
- 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
- 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
- 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
- 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。
最新文檔
- 基于卷積神經(jīng)網(wǎng)絡(luò)的高光譜數(shù)據(jù)分類方法研究.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類.pdf
- 基于神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類研究.pdf
- 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究.pdf
- 基于新型神經(jīng)網(wǎng)絡(luò)的高光譜遙感圖像分類方法研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類技術(shù)研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的鞋印圖像分類算法研究.pdf
- 基于深度自適應(yīng)神經(jīng)網(wǎng)絡(luò)的高光譜圖像分類方法研究.pdf
- 圖像分類中的卷積神經(jīng)網(wǎng)絡(luò)方法研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的花卉圖像分類算法的研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的建筑風(fēng)格圖像分類的研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的巖石圖像分類研究與應(yīng)用.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的文檔圖像分類與檢索方法研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像檢索研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的問(wèn)句分類研究.pdf
- 基于深度卷積神經(jīng)網(wǎng)絡(luò)的圖像分類方法研究及應(yīng)用.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)圖像分類優(yōu)化算法的研究與驗(yàn)證.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的圖像特征提取算法與圖像分類問(wèn)題研究.pdf
- 基于卷積神經(jīng)網(wǎng)絡(luò)的句子分類算法.pdf
評(píng)論
0/150
提交評(píng)論