基于深度学习的遥感图像语义分割关键技术研究
发布时间：2023-04-11 19:07
随着遥感技术的快速发展,高分辨率遥感图像获取越来越容易,应用越来越广泛,目前已广泛应用于城市规划,环境保护,灾害评估和预测,交通导航,军事安全等领域。在这些应用场景中,一般需要利用计算机视觉技术对高分辨率遥感图像进行解析,以提取有效的几何信息和结构信息。语义分割作为一种重要的图像内容解析方法,一直是遥感图像处理领域的一个重要研究方向。由于高分辨率遥感图像背景复杂,地物结构多样,细节丰富等特点,将传统的语义分割算法应用于遥感图像的处理时往往存在分割精度低的问题。近年来随着深度学习,特别是深度卷积神经网络在自然图像处理领域中的巨大成功,也促使其拓展到遥感图像的解析和处理上,推动了包括语义分割在内的高分辨率遥感图像相关任务的发展。本文主要围绕当前基于深度卷积神经网络的图像语义分割算法在高分辨率遥感图像中的应用进行深入研究,主要研究内容如下:(1)由于深度卷积神经网络固有的特点,其在应用于高分辨率遥感图像的语义分割时,一般存在对地物语义边界分割不准确,地物内部子区域标签预测不一致的问题。针对该问题,本文提出了一种将深度卷积神经网络和超像素分割相结合的算法结构,用于深度语义分割网络模型分割结果的...
【文章页数】：137 页
【学位级别】：博士
【文章目录】：
摘要
abstract
符号列表
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 传统图像分割方法研究现状
1.2.2 基于深度学习的语义分割方法研究现状
1.2.3 遥感图像语义分割方法研究现状
1.3 本文的研究内容与章节安排
第2章 卷积神经网络基础理论与相关技术
2.1 引言
2.2 机器学习概述
2.3 卷积神经网络结构
2.3.1 卷积层
2.3.2 池化层
2.3.3 激活层
2.3.4 批标准化层
2.3.5 丢弃层
2.3.6 全连接层
2.3.7 输出层
2.4 卷积神经网络的训练
2.4.1 反向传播算法
2.4.2 优化算法
2.5 典型语义分割神经网络模型
2.5.1 FCN
2.5.2 Seg Net
2.5.3 U-Net
2.5.4 Deep Labv3+
2.6 本章小结
第3章 深度神经网络和超像素相结合的遥感图像语义分割
3.1 引言
3.2 算法原理
3.2.1 深度语义分割模型预处理
3.2.2 超像素分割
3.2.3 区域投票算法
3.3 实验结果与分析
3.3.1 实验相关设置
3.3.2 实验结果与分析
3.3.3 quick shift算法中参数对分割结果的影响
3.3.4 在Deep Labv3+语义分割网络模型上的实验结果
3.4 本章小结
第4章 基于边界监督的双路径轻量级遥感图像语义分割网络模型
4.1 引言
4.2 基于边界监督的双路径轻量级遥感图像语义分割网络模型
4.2.1 网络总体结构
4.2.2 编码器
4.2.3 解码器
4.2.4 损失函数
4.3 实验结果与分析
4.3.1 数据集与评价指标
4.3.2 训练的相关设置
4.3.3 网络各模块对分割性能的影响
4.3.4 与其他方法的比较
4.3.5 实验结果讨论
4.4 本章小结
第5章 基于半监督学习的遥感图像语义分割
5.1 引言
5.2 半监督语义分割网络训练流程
5.3 基于残差结构的半监督语义分割网络模型
5.4 实验结果与分析
5.4.1 数据集与评价指标
5.4.2 训练的相关设置
5.4.3 ISPRS Vaihingen数据集实验结果与分析
5.4.4 ISPRS Potsdam数据集实验结果与分析
5.4.5 WHU建筑物语义分割数据集实验结果与分析
5.5 本章小结
第6章 基于嵌入式GPU的语义分割算法实现与应用
6.1 引言
6.2 基于边界监督的双路径轻量级语义分割网络在嵌入式GPU上的实现
6.2.1 系统组成
6.2.2 数据预处理与传输
6.2.3 语义分割网络在Jetson TX2上的实现
6.3 在遥感图像目标语义分割中的应用
6.3.1 遥感图像目标语义分割数据集
6.3.2 在嵌入式GPU上的实验
6.4 本章小结
第7章 总结与展望
7.1 本文工作总结
7.2 论文创新点
7.3 未来展望
参考文献
作者简历及攻读学位期间发表的学术论文与研究成果
致谢
本文编号：3789586
【文章页数】：137 页
【学位级别】：博士
【文章目录】：
摘要
abstract
符号列表
第1章 绪论
1.1 研究背景与意义
1.2 国内外研究现状
1.2.1 传统图像分割方法研究现状
1.2.2 基于深度学习的语义分割方法研究现状
1.2.3 遥感图像语义分割方法研究现状
1.3 本文的研究内容与章节安排
第2章 卷积神经网络基础理论与相关技术
2.1 引言
2.2 机器学习概述
2.3 卷积神经网络结构
2.3.1 卷积层
2.3.2 池化层
2.3.3 激活层
2.3.4 批标准化层
2.3.5 丢弃层
2.3.6 全连接层
2.3.7 输出层
2.4 卷积神经网络的训练
2.4.1 反向传播算法
2.4.2 优化算法
2.5 典型语义分割神经网络模型
2.5.1 FCN
2.5.2 Seg Net
2.5.3 U-Net
2.5.4 Deep Labv3+
2.6 本章小结
第3章 深度神经网络和超像素相结合的遥感图像语义分割
3.1 引言
3.2 算法原理
3.2.1 深度语义分割模型预处理
3.2.2 超像素分割
3.2.3 区域投票算法
3.3 实验结果与分析
3.3.1 实验相关设置
3.3.2 实验结果与分析
3.3.3 quick shift算法中参数对分割结果的影响
3.3.4 在Deep Labv3+语义分割网络模型上的实验结果
3.4 本章小结
第4章 基于边界监督的双路径轻量级遥感图像语义分割网络模型
4.1 引言
4.2 基于边界监督的双路径轻量级遥感图像语义分割网络模型
4.2.1 网络总体结构
4.2.2 编码器
4.2.3 解码器
4.2.4 损失函数
4.3 实验结果与分析
4.3.1 数据集与评价指标
4.3.2 训练的相关设置
4.3.3 网络各模块对分割性能的影响
4.3.4 与其他方法的比较
4.3.5 实验结果讨论
4.4 本章小结
第5章 基于半监督学习的遥感图像语义分割
5.1 引言
5.2 半监督语义分割网络训练流程
5.3 基于残差结构的半监督语义分割网络模型
5.4 实验结果与分析
5.4.1 数据集与评价指标
5.4.2 训练的相关设置
5.4.3 ISPRS Vaihingen数据集实验结果与分析
5.4.4 ISPRS Potsdam数据集实验结果与分析
5.4.5 WHU建筑物语义分割数据集实验结果与分析
5.5 本章小结
第6章 基于嵌入式GPU的语义分割算法实现与应用
6.1 引言
6.2 基于边界监督的双路径轻量级语义分割网络在嵌入式GPU上的实现
6.2.1 系统组成
6.2.2 数据预处理与传输
6.2.3 语义分割网络在Jetson TX2上的实现
6.3 在遥感图像目标语义分割中的应用
6.3.1 遥感图像目标语义分割数据集
6.3.2 在嵌入式GPU上的实验
6.4 本章小结
第7章 总结与展望
7.1 本文工作总结
7.2 论文创新点
7.3 未来展望
参考文献
作者简历及攻读学位期间发表的学术论文与研究成果
致谢
本文编号：3789586
本文链接：https://www.wllwen.com/shoufeilunwen/gckjbs/3789586.html