卷积网络模型及其在遥感图像目标识别中的应用

摘要

遥感图像目标自动识别技术在以往的研究中受限于算法的精度，需要大量且繁琐的预处理，导致无法普及。直到卷积网络的出现，几乎不再需要预处理，而且很大程度地提高了识别精度，使自动识别技术被成功应用于多个地区的遥感图像目标识别中。但是依然难以达到人类的识别精度，这主要是因为模型的架构仍未成熟。
　　文章首先介绍了简单的卷积网络，并搭建一个初始的网络模型，再结合前沿研究成果，从网络参数的初始化、卷积层的改进、添加新的模型结构等方面逐步优化卷积网络模型。对于模型的难训练问题，根据实验结果分析了多种模型训练的优化算法，分析利弊后，拟定了小批量梯度下降法和一阶动量方法以及学习率下降相结合的模型训练算法，并使用dropout正则化算法解决了深层网络中的过拟合问题。
　　文章将优化后的卷积网络模型应用于SAT-6多光谱遥感图像的目标识别中，通过分析训练数据以及模型训练中训练集与验证集的精度变化，再次优化模型，在增加卷积网络深度的同时，减少总参数量和计算量，并保证模型不出现过拟合或欠拟合，最终最优的卷积网络模型在测试集中达到了99.5％的精度，基本与人类识别图像精度持平。

目录

声明

摘要

第1章 绪论

1．1 深度学习的可行性

1．2 卷积网络的发展现状

1．3 遥感目标识别的发展现状

1．4 本文贡献

1．5 论文组织

第2章 卷积网络理论

2．1 前馈神经网络

2．1．1 神经元

2．1．2 激活函数

2．1．3 网络模型

2．1．4 代价函数

2．2 卷积网络

2．2．1 使用卷积的优势

2．2．2 卷积网络中的激活函数

2．2．3 池化

2．2．4 全连接层

2．2．5 卷积网络模型

2．3 模型训练

2．3．1 反向传播

2．3．2 卷积运算的反向传播

2．3．3 池化运算的反向传播

第3章 卷积网络模型的构建与优化

3．2 参数初始化

3．3 卷积层设计

3．3．1 1*1卷积核

3．3．2 Inception

3．3．3 Xception

3．3．4 其它卷积架构

3．4 批规范化

3．5 残差块

3．6 模型训练

3．6．1 小批量

3．6．2 Momentum

3．6．3 RMSprop

3．6．4 Adam

3．7 学习率衰减

3．8 正则化

第4章 优化卷积网络模型的应用

结论

研究成果

研究展望

致谢

参考文献

攻读学位期间取得学术成果