一、重复传播网络的改进及其在遥感分类中的应用研究（论文文献综述）
潘霞[1]（2021）在《基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究》文中研究指明以全球土地覆被产品MCD12Q1 Version 6、Landsat-8 OLI及Sentinel-2 L1C为主要遥感影像数据源,结合SRTM V4.1数据集及专题指数的计算,构建光谱、纹理、地形多维分类特征集,对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动且准确的识别和提取,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从全球土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,实现大型训练样本数据集的自动创建,并通过利用空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性。此外,采用卷积神经网络中的深层次残差网络ResNet-101分类器学习上述已给定类别的训练数据的分类规则,以对未知数据进行分类,并同调参优化后传统分类器中最常用的随机森林、分类回归树、支持向量机进行对比分析,通过定量精度评价验证大型训练样本数据集自动采集方法和新型深层次残差网络ResNet-101分类器的可靠性,提出了一种快速、高效、准确、精细的高精度遥感影像智能分类方法,以期减弱地物覆被智能分类中人为因素对分类结果的干扰,极大地简化分类流程,并丰富遥感影像中土地利用与覆盖信息的提取理论、分类算法及分析处理的技术平台,提高土地利用与覆盖的分类精度和更新速度,为土地资源的有效利用与实时监测提供参考依据。该方法的主要步骤都是在谷歌地球引擎Google Earth Engine云平台中实现,目的是通过自主编写代码实时提取遥感影像和在线分析地物覆盖信息,集数据获取和分析处理于一体,促进运行程序自动化,有效解决传统遥感影像地物覆被信息提取和分类流程耗时费力等问题。以下为主要研究工作和结论:（1）提出了以参数调整为基础的传统多分类器的遥感影像分类优化系统根据遥感影像的光谱特征,就常用的核函数、核参数选择方法对传统多分类器进行优化研究,提出了以随机森林、分类回归树及支持向量机分类器的核函数、核参数调整为基础的遥感影像分类优化系统,并通过网络搜索法分别论证了调参优化后传统多分类器的适用性和优越性,同时能够挣脱分类指标函数的搜索局限性。两种Landsat-8 OLI和Sentinel-2 L1C影像数据的研究结果表明,本文提出的优化后的传统分类器参数均能获得较优的分类性能,有助于提高分类精度。（2）构建了基于TensorFlow的深层次残差网络ResNet-101分类器通过引入残差注意力机制,实现消除网络冗余及增强显着特征的目的。为了避免深层次残差网络ResNet-101分类器中因网络层数增加而产生的梯度消失现象,在前馈神经网络中增加一个以不同步长跳过多个层与主径汇合的捷径来实现,并通过增加线性投影来保证输入和输出的维度相同。通过超参数设置使残差网络ResNet-101分类器在训练数据集时的训练时间和收敛精度均达到最优值。最后,基于TensorFlow将深层次残差网络ResNet-101运行过程以流程图的形式表达,并提出了对计算链路进行完整构建和优化的具体实施途径,其中使用Re LU激活函数提高收敛速度,并增加1×1卷积模块改变维度,从而提高分类精度。（3）实现了基于MCD12Q1的地物覆被类型大型样本数据集的自动创建通过土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1实现大型训练样本数据集的自动创建,即Landsat-8 OLI和Sentinel-2 L1C遥感影像从现有已分类的土地覆被产品MCD12Q1 Version 6 IGBP＿LC＿Type1分类系统里详细的类别标签中自动采集各地物覆被类型下的训练样本,并通过空间过滤、同质像素筛选及质量控制措施降低Landsat-8 OLI和Sentinel-2 L1C遥感影像地物覆被类型的潜在错误分类,以提高大型训练样本数据集自动创建的准确性,实现了对研究区内丰富且繁杂的独立性较弱的多种混合地物覆被类型进行自动、详细且准确的识别和提取,减弱了人为因素对分类结果的干扰,并极大地简化了分类流程,提出了一种快速、高效、准确、精细的高精度遥感影像大型样本数据集的自动创建方法。（4）通过定量精度评价验证了地物覆被智能分类方法的可靠性对传统分类器中的随机森林、分类回归树、支持向量机及新型残差网络ResNet-101分类器下地物覆被智能分类结果的可靠性进行定量精度评价。定量精度评价是将分类结果与验证样本进行基于混淆矩阵的定量精度分析。基于所产生的混淆矩阵,分别对生产精度、用户精度、总体精度、Kappa系数、漏分误差及错分误差等分类精度指标进行计算。总体精度评价结果表明,基于Landsat-8 OLI和Sentinel-2 L1C影像的研究区内地物覆被类型在深层次残差网络ResNet-101分类器下的分类精度和总体性能最优。（5）基于谷歌地球引擎Google Earth Engine云处理的自编程语言设计遥感影像数据均从谷歌地球引擎Google Earth Engine云平台在线获取,导入后的遥感影像数据集与全球矢量地图或者卫星地图叠加形成高度可视化的数据呈现方式和交互式分析界面,通过云端存储的海量遥感影像数据集和分析处理算法,直接编写相应代码进行调用、处理及分析应用工作,集数据获取和分析处理于一体。试验结果证明,集成化的处理和并行运算的方式极大地提高了运行效率,并节省了本地存储空间。Google Earth Engine云平台强大的云端运算能力,为大尺度区域下遥感影像的处理和分析提供了十分便捷的技术平台。
叶自然[2]（2021）在《基于深度学习的农村住房遥感信息提取研究及时空演变应用》文中研究指明农村居民点是乡村生产、生活的载体,而农村住房是农村居民点用地的主体要素。借助农村住房数据的空间聚类结果,对农村居民点范围进行表征,有助于了解农村居民点的动态变化,为农村居民点布局优化、土地集约节约利用、乡村空间重构、推动乡村振兴提供科学依据。高空间分辨率遥感数据产品的日益丰富,使得农村居民建筑物的准确识别和快速制图成为可能。随着机器学习领域的迅速发展,基于深度学习技术的高分辨率遥感影像智能解译已成为遥感领域的研究热点。本研究以长三角水网平原的典型农村地区为研究区,使用多源高空间分辨率遥感数据,研究基于深度学习的农村住房信息遥感提取方法,并应用农村住房空间聚类结果表征农村居民点,对研究区农村居民点的空间分布特征的时空变化进行深入探讨。本文的主要研究内容和结论如下:（1）基于高空间分辨率航拍影像和全卷积网络（FCN）,提出了适用于亚米级空间分辨率影像的建筑物自动提取方法（RFA-UNet）。本研究针对全卷积网络模型在融合不同层级的特征时,忽视特征间的语义差距而引起的特征冗余和表达歧义问题,将注意力加权模块应用于跳跃连接结构,使用可学习的注意力权重对浅层特征在通道和空间维度的响应程度进行加权调整,从而加强特征表达的一致性。在多个遥感建筑物数据集上实验所得结果表明,提出的联合注意力模块（RFA）模块能够有效提高经典分割模型U-Net在高分辨率数据中对建筑物的提取效果。与其他方法对比,RFA-UNet的提取结果更加完整、准确,满足高分辨率影像建筑物高精度提取需求。（2）基于高空间分辨率卫星影像和全卷积网络,提出了一个用于农村住房类型识别的多尺度扩张残差网络（MSDRN）。高分遥感影像中的农村人造地物复杂易混,使用传统遥感分类方法提取精度相对较低。本研究考虑农村住房类内光谱差异和空间尺度变化较大等特点,利用扩张残差网络提取高分辨率的特征表示,获取更多的空间上下文信息,并采用多尺度特征融合结构和通道注意力模块对分类特征进行优化,提高深度网络对于农村住房的分类能力。在桐乡市典型农村地区的高分2号影像上开展的实验结果表明,本研究提出的模型方法可以有效地区分农村住房与其他人造地物,得到更准确的农村住房分类结果,两类农村住房的F1精度优于85%。在实际应用中,本研究提出的方法流程可以推广到更大范围内的农村地区,为区域尺度下的大范围地籍调查或农村住房变化监测提供重要参考。（3）基于半监督学习和集成学习,提出了一个适用于多源多时相高分辨率遥感影像农村住房提取方法,并成功提取了桐乡市2005年、2012年、2018年的农村住房信息。当前基于深度学习的遥感分类方法依赖大量标记样本,而人工标注的高成本使得此类监督学习模型难以应对多源多时相遥感影像构建的复杂场景。针对上述问题,研究提出了一个深度集成网络框架集成多个基于少样本构建的语义分割模型,从无标注图像中筛选置信度高的集成预测结果生成伪标签,用于后续迭代优化。实验结果表明,三个年份的分类总体精度均优于83%,使用半监督集成学习策略前后的平均总体精度提升分别为1.6%、3.1%和4%,证明本文的半监督集成学习策略可以有效缓解标记样本不足的问题,增强深度模型的性能。研究提出的半监督集成学习方法流程,可以为遥感影像智能解译提供借鉴,提高海量遥感数据的利用率。（4）基于桐乡市2005年、2012年和2018年的农村住房提取结果,使用渗流聚类算法（CCA）对桐乡市2005年、2012年和2018年的农村居民点范围进行量化,在此基础上借助探索性空间数据分析方法分析桐乡市农村居民点类型、数量及空间分布的演变规律。结果表明:1)基于渗流理论的CCA聚类算法可以根据农村住房网格的建筑密度属性进行空间聚类,实现格网尺度下农村居民点范围的近似提取;2)2005年到2018年桐乡市农村居民点面积总量先增后减,总体上减少了14.5%面积;2005年-2018年间桐乡市农村居民点的空间分布存在空间聚集性,且以低-低集聚和低-高集聚为主;3)2005-2012年为桐乡市农村居民点面积增长时期,增长热点区域为远离中心城区的西南区域乡镇和桐乡市北部乡镇;2012-2018年为农村居民点面积显着减少时期,中心城区及其周围乡镇为居民点面积减少的高值聚集区。
江邵斌[3]（2021）在《基于图像语义分割的土地利用分类研究》文中研究表明土地利用分类是遥感领域的重要研究方向之一。本论文利用高分1号、高分2号卫星遥感影像开展土地利用分类研究。基于U-Net、Deep Lab V3+、高分辨率网络（High Resolution Network,HR-Net）三种主流语义分割算法对高分遥感影像进行土地利用分类,并对性能最好的HR-Net网络结构进行改进,最后探讨了域适应模型在高分遥感影像土地利用分类中的可行性。本论文的研究内容与研究成果如下:（1）针对土地分类无高质量数据集的问题,本论文利用高分一号、高分二号卫星影像制作了实验所需的数据集,将土地类别分为裸地、植被、建筑、道路、耕地、水体、其他共7类,并部分标注了都江堰市以及新都区的土地类别。（2）开展了基于高分遥感影像的土地利用语义分割研究。本论文对比了U-Net、Deep Lab V3+、HR-Net三种算法在实验数据集上的总体精度与Kappa系数,实验结果表明HR-Net在本论文所用数据集上的分类效果最好,总体精度为95.48%,Kappa系数为0.89。（3）开展了HR-Net的改进研究,本论文通过修改HR-Net网络结构,使改进的网络能够进一步提高高分遥感影像土地分类效果。实验结果表明改进后的HR-Net比标准的HR-Net性能更优,其分类总体精度为96.27%,Kappa系数为0.91。（4）开展了改进的HR-Net域适应模型研究,设计了基于改进后的HR-Net对抗域适应模型以及融合了改进后的HR-Net与循环一致生成对抗网络（CycleConsistent Generative Adversarial Networks,Cycle GAN）的域适应模型。实验结果表明经源域数据训练改进后的HR-Net模型在三个目标域上分类的平均总体精度为82.77%,Kappa系数为0.74;基于改进后HR-Net的对抗域适应模型分类的平均总体精度为85.01%,平均Kappa系数为0.76,分别提高了2.24%和0.02;基于改进后HR-Net与Cycle GAN融合域适应模型平均总体精度为82.88%,平均Kappa系数为0.74,与改进后HR-Net模型在目标域上的分类性能接近。（5）设计了基于图像语义分割的土地利用分类自动化程序,开发了土地利用分类的四个功能模块,即数据处理模块、训练模块、分类模块和窗体模块。该程序可以完成土地利用自动化分类。
郑志峰[4]（2020）在《高分辨率卫星影像分类及变化检测算法研究》文中指出随着城市化的快速发展,由此引发的城镇建设用地不断增加,同时耕地、林地被占用等一系列地表快速变化等问题,引起各级土地管理部门的高度关注。然而,如何快速、及时、准确地发现城市土地利用变化情况和信息是关键问题,遥感变化检测技术为解决这一问题提供了科学方法。高分影像为准确提取地表变化信息提供了丰富的数据基础,同时,由于高分影像的多分辨率为经典变化检测方法带来了新的困难与问题。高分影像在多分辨率、多尺度环境下的同谱异物与异物同谱问题、纹理结构的尺度问题、类内方差减小同时类间方差增大问题等等,都是高分影像变化检测的困难问题。为此,本文紧紧围绕着地表变化检测中突出的问题,从高分影像的脊波变换特征、融合特征以及卷积神经网络等方面进行多尺度变化检测算法研究,旨在综合利用高分影像多分辨率信息,减弱预处理过程及检测过程中的误差影响,从而增强地表变化检测结果的准确性与合理性,构建新的变化检测方法,为变化检测技术应用及生产实践提供理论支持。主要研究工作及创新点如下:创新性的提出了高分影像分类与变化检测处理技术:基于脊波、卷积神经网络的高分影像分类算法和基于光谱特征级融合及多尺度分割投票决策的变化检测算法。基于脊波、卷积神经网络的分类算法是在脊波理论及卷积神经网络的理论基础上,将脊波提取的“低水平”的简单特征与神经网络提取的“高水平”特征相融合。由于在提取特征的过程中,使用脊波提取的“低水平”特征减少了融合特征对训练集的依赖性,使得融合特征更加独立;而卷积神经网络在此过程中又抑制了噪声的产生及提高分类区域的一致性,最终提高了影像的分类精度。基于光谱特征级融合及多尺度分割投票决策的变化检测方法则是提出了一种提高变化检测精度的方法框架。此方法由影像融合算法开始,分别使用不同的算法提取影像的多尺度特征,然后通过这些提取的特征融合为特征层,然后通过曼哈顿距离量测不同时相间融合特征向量之间的变化幅度,并以Otsu法进行分割后得到二值变化检测图。随后采用“少数服从多数”的投票策略,对目标内的每个像素进行标记,并最终形成变化检测图。从最终的实验结果来看,将基于脊波、卷积神经网络的高分影像分类算法与目前最先进的五种算法相比较,其结果具有一定优势。基于光谱特征级融合及多尺度分割投票决策的变化检测方法在三组数据中进行实验,实验结果表明,与单独使用原始光谱特征和其他先进的变化检测方法相比,该方法获得了更好的性能。最后,将本文算法应用于土地调查的实际数据中,取得了较好的效果,充分表明本文算法研究的有效性和对实际工作的适应性。
张书瑜[5]（2020）在《基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究》文中进行了进一步梳理遥感图像地表覆盖分类是遥感图像领域的一个重要研究方向,其科学意义在于如何进一步提高遥感图像地表覆盖分类的精度,应用意义在于土地利用规划、城市管理和环境监测等方面。随着高空间分辨率卫星传感器的发展,高分辨率遥感图像越来越广泛,其清晰的地物细节和复杂的空间结构特征进一步增加了地表覆盖分类的难度。因此,发展新的地表覆盖分类方法,提升特征提取和地物识别的能力,具有重要的实际意义。针对以深度学习为核心的现有遥感图像分类方法中存在的效应分析不够全面、融合深度不够深入和贡献度分析缺乏等问题,本文结合超像素分割和深度学习模型,设计较为全面的空间尺度组合方案,提出深度网络融合的多尺度分类方法,以及注意力机制下的多尺度多特征分类方法,综合分析多尺度多特征的融合效应和贡献度差异,提高地表覆盖分类精度,形成基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类方法体系。以浙江省不同地区的高分二号遥感图像地表覆盖分类为例,进行了核心方法的测试、应用与验证。本文的研究内容概况如下:（1）围绕超像素分割与深度学习模型如何有效应用于遥感图像分类的基础性问题,提出了超像素单尺度地表覆盖分类方法。研究了基于假彩色合成和图像增强的超像素分割方法,分别基于原始图像和变换图像设计了超像素单尺度卷积网络,探究其尺度效应的变化规律,通过实验分析进行了充分论证。（2）针对如何综合探究多尺度效应和实现深度的多尺度特征融合分类的关键性问题,提出了深度网络融合的多尺度地表覆盖分类方法。综合研究了不同多尺度组合方案的分类互补效应,设计了基于一维卷积网络和循环网络的多尺度特征深度融合分类网络,在实验分析中取得了优于特征串联合并方式的多尺度分类精度。（3）针对如何实现注意力差异化的多类型特征融合分类的关键性问题,提出了注意力机制下的多尺度多特征地表覆盖分类方法。研究不同多特征组合方案的分类互补效应,设计基于注意力机制和一维卷积网络/循环网络的多尺度多特征深度融合分类网络,在实验分析中取得了优于其他对比方法的分类精度和分类边界。（4）围绕基于多尺度多特征融合如何提高遥感图像迁移学习分类精度的关键性问题,提出了多尺度多特征的迁移学习地表覆盖分类方法。研究不同的多尺度多特征组合方案在迁移学习中的分类效应,设计基于模型参数的多尺度多特征深度迁移分类网络,在实验分析中多尺度多特征融合的迁移学习取得了较优的效果。本文研究有望解决多尺度多特征信息在遥感图像分类中的深度融合问题,进而提升地表覆盖分类的准确性和一致性,促进遥感图像分类的研究与发展,推动高分遥感在地理国情等行业领域的深入应用。
李放[6]（2020）在《卷积神经网络的压缩与加速在遥感图像分类上的应用》文中研究说明近年来,借助于卷积神经网络的快速发展,深度卷积神经网络得以应用于大多数领域并且取得惊人的成就。通过使用卷积神经网络对遥感图像进行深度特征的提取并且进行分类,使得遥感图像场景分类任务的分类性能得到极大的提高。深度网络特别是深层卷积神经网络模型（VGG16,ResNet,DenseNet等）在提升分类性能的同时,也带来了参数量,计算量庞大以及存储开销的问题。研究适用于遥感图像场景分类任务的卷积神经网络轻量化方法对于模型在资源受限环境下的部署有着重要意义。基于此,本文主要完成了以下工作:提出了轻量化网络MobileNetv2的改进框架。首先在MobileNetv2的基础上引入密集连接,借助特征图的复用提高网络性能。利用一个扩张系数为1,步长为1的瓶颈与一个扩张系数为1,步长为2的瓶颈的组合压缩特征图的通道数,同时对瓶颈输出通道数进行调整,利用该方法得到了一个更小的网络模型,在遥感影像场景分类数据集NWPU-RESISC45上验证了该方法的有效性。提出了一种对网络进行滤波器剪枝的复合剪枝算法。复合剪枝是滤波器剪枝,从剪枝粒度上是粗粒度剪枝。本文首先定义卷积层滤波器弹性,借助滤波器弹性衡量剪去该滤波器对于损失函数Loss的影响来判断该滤波器的重要程度,同时借助卷积层之后的BN层的缩放因子来衡量滤波器产生的特征图的重要程度,当两者均判定为不重要时删除该滤波器。为了测试复合剪枝的有效性,本文在基准数据集Cifar10上对多种常用网络模型进行了复合剪枝,并与其他不同剪枝方法进行了比较。在遥感图像场景分类任务方面,使用遥感影像场景分类数据集NWPU-RESISC45,对VGG16,ResNet50两种广泛使用的网络进行复合剪枝并对比了剪枝前后的分类性能。实验表明了复合剪枝可以基本保持分类性能的同时有效减少网络的参数量与计算量。同时,进行复合剪枝前后的对比实验也说明了复合剪枝的有效性与实用性。
张涛[7]（2020）在《土地利用分类中图像分类技术的探讨》文中研究表明土地利用分类是基于人们对土地资源的利用方式,对土地利用类型进行区分的过程,其目的是统计并掌握土地利用信息以便对土地资源进行管理,是土地管理决策机制的重要支撑:保障其决策流程中的反馈信息精准快速地传递。基于此,精度和效率这一难点已成为制约土地决策科学性的重要因素,而解决上述难点的关键在于图像分类技术的突破。因此,如何有效地应用图像分类技术以便更好地服务于土地资源的管理意义重大。本文研究了土地利用分类工作中图像分类技术的应用问题。指出了图像分类在大数据背景下也是统计学的重要内容之一,研究了其实现流程和相关的训练技并论证了应用层面的必要性和可行性。针对精度兼顾效率这一共性难点提出了构建图像分类模型的思路以期改进实际工作中的不足。在迁移学习的基础上,提出了模型整合方法并结合自身经验设计了2个应用于土地利用分类工作的模型架构:第一个是Res Net-50整合模型,第二个是集成了整合VGG16和Xception的组合模型。本文以祁连山冰川与水源涵养生态功能区为蓝本构建土地数据库,并利用上述设计的2个模型进行土地利用分类的实证分析。结果表明:Res Net-50整合模型的总体精度高达97.35%,效率为0.0318秒/张;组合模型的总体精度高达96.57%,效率为0.026秒/张。两者各有千秋,有效地改进了土地利用分类工作中的精度兼顾效率难题,助力于土地管理决策水平的提高。
朱东伟[8]（2020）在《新型雾计算架构及其在遥感图像分类中的应用研究》文中研究说明众所周知,云计算自90年代末被提出以来,凭借着对延迟和网络抖动不敏感的大规模批处理业务适用的优势,很快成为了各行各业竞相争夺的科技制高点和财富宝地。然而,随着接入无线网的智能设备数量的快速增长,边缘数据量已达到泽字节（ZB）级别,给云计算核心网络带宽造成巨大压力;与此同时,无人驾驶、位置识别、增强现实、虚拟现实等众多新兴应用的出现对网络延迟、抖动,数据安全等提出了更高的要求,传统云计算已无法很好的满足以上要求,人们对于快响应、低延迟、数据安全度高的网络环境和新兴应用的需求日益迫切。雾计算架构的出现较好的解决了以上问题。雾计算架构打破了传统云计算集中式处理数据的工作方式,旨在将用户提交的任务在靠近用户侧进行处理,这样一来,数据无需全部上传至云计算中心,不仅减少了核心网络带宽的压力,同时降低了数据在上传过程中被不法分子窃取的风险。由于距离用户只有一跳,对于用户而言,相当于在本地处理,能够给用户提供低时延、快响应服务。本文主要工作和研究内容如下:1.基于对领导者选举算法的研究,针对目前存在的几种领导者选举算法通信复杂度高,领导者选举过程耗时长的问题,提出了一种序号动态变化的改进领导者选举算法。该算法在系统启动前对所有雾计算节点进行编号,基于小序号优先原则,编号为1的雾计算节点直接被任命为领导者节点,负责系统资源调配和管理。当领导者节点故障退出时,编号为2的节点继任领导者节点,成为领导者节点后,该节点当前标号被改为1,然后通知所有节点将自己的序号全部做减1处理。而退出系统的节点重新加入系统时,自动将序号改为n（10）1（n为当前系统中雾计算节点编号的最大值）。很显然,这样的领导者任命机制,能够降低算法的通信复杂度,算法通信复杂度从2O（n）降为O（n）,缩短了整个算法的执行时间,提高了算法效率。2.针对传统雾计算架构中任务分配不够合理,不能充分利用系统资源的问题,结合雾计算架构特点,提出了一种基于加权轮转算法的新型雾计算架构。首先,根据系统中各雾计算节点的计算能力和存储能力给各个雾计算节点分配相应的权值,权值高的节点将分配到更多的任务,权值低的节点则分配较少的任务,以便充分利用系统资源。为防止节点因故障退出和其他任务占用计算资源的情况,在以上机制的基础上,又引入了一种当前节点任务预完成时间汇报机制,各节点根据任务处理情况实时反馈当前任务预完成时间,领导者节点根据收集到的信息,实时更新各节点的权值,使后续任务分配更加合理,达到提高系统资源利用率的目的。3.本文通过对雾计算架构和算法的研究,设计并实现了一种基于新型雾计算架构的在线遥感图像分类系统。首先,给出了遥感图像分类的定义、基础原理和分类过程。然后,分别对系统架构、系统组成结构和系统工作流程进行了详细阐述,最后通过遥感图像分类结果和对系统的合理性分析,证明了本文提出的算法和新型雾计算架构的有效性和合理性,基于新型雾计算架构的在线遥感图像分类系统也基本能够满足用户对在线遥感图像分类业务的需求。根据算法通信复杂度分析,本文提出的改进领导者选举算法降低了算法的通信复杂度,能够达到缩短算法执行时间的目的。根据仿真实验结果对比,本文提出的基于加权轮转算法的新型雾计算架构要优于普通雾计算架构。根据系统运行结果分析,基于新型雾计算架构的在线遥感图像分类系统基本可以满足用户对于遥感图像在线分类系统的需求。
张友强[9]（2020）在《基于弱监督集成学习的高光谱图像分类方法研究》文中认为高光谱遥感影像包含连续的光谱波段和丰富的空间信息,它在许多领域有着广泛的应用。而分类任务往往是其他应用的一个基础性工作,因此,如何提高分类精度是当前研究的一个重点。在近些年,一些传统的机器学习方法已广泛地用于高光谱图像分类并取得了较好的结果;最近,基于深度学习的方法在高光谱图像分类中取得了显着的效果。一般来说,这些方法需要大量的标记样本来训练可靠的分类模型。然而,当标记样本较少时,其分类结果往往不能满足要求;此外,标记遥感图像需要专业知识,对遥感图像进行人工标注需要花费大量的人力成本和时间开销。针对上述问题,本文从弱监督学习和集成学习出发,分析了弱监督学习和集成学习在高光谱图像分类中存在的问题;然后,本文结合高光谱数据的特点对分类模型或算法进行改进。最后,本文将弱监督学习和集成学习统一在一个框架下进行高光谱图像分类。本文的主要工作概括如下:（1）提出了基于级联随机森林的高光谱图像分类方法,该方法将两种不同的增强方法嵌入到随机森林中来提高分类精度。为了克服Boosting容易陷入过拟合的问题,本文使用袋外误差来更新样本的重采样权重;为了选取更有效的特征来建立模型,本文提出了基于邻域粗糙集的层次随机子空间方法来选择特征。（2）提出了基于主动半监督随机森林的高光谱图像分类方法,该方法同时将主动学习和半监督学习嵌入随机森林中来提高模型的性能。为了避免主动学习模型带来的偏差,本文采用聚类技术来挖掘光谱数据的内在结构信息进行数据划分;为了充分利用空间信息,本文将光谱-空间约束构造新的主动学习查询函数,提升了样本选择的判别性。（3）提出了基于多视图随机旋转集成剪枝的高光谱图像分类方法,该方法以多视图学习构造集成分类器来提高模型的泛化性能。为了提高集成学习中基分类器之间的差异性,本文采用相关分析的光谱特征进行多视图划分并引入随机旋转增加基分类器的多样性;为了删除冗余的基分类器,本文使用了集成剪枝方法来对分类器进行剪枝。（4）提出了基于多视图标签传播集成的高光谱图像分类方法,该方法利用多个图标签传播来提高传播结果的可靠性。为了充分利用空间信息,本文采用形态学特征来构造图表示。为了缓解单一图模型的不稳定性;本文利用不同图的标签传播结果进行融合来获取未知样本的标签。为了验证本文所提出方法的有效性,本文在多个真实的高光谱数据集上进行了实验。实验结果表明,本文所提出的方法相比于同类算法具有更好的分类精度;特别是在标记样本数量较少时,本文提出的方法对分类精度的提升是显着的。
贾莉[10]（2020）在《地形校正对深度神经网络分类器分类结果精度的影响研究》文中研究说明基于遥感影像的分类技术已经成为了国土资源监测、森林资源调查等多个领域中极其重要的监测手段,但其发展仍受诸多因素的制约,遥感影像上因地形起伏形成的地形效应便是不可忽视的影响之一。地形因素引起的影像阴、阳坡变化给传统拟合能力不够强的分类器带来了识别上的困难与挑战。在利用传统分类器对遥感影像进行分类提取的过程中,受分类器拟合能力的限制,地形因素所造成的影响往往需要借助适当的地形校正方法来消除,因而地形校正能够对影像分类精度的提升起到一定的积极作用。相比于传统分类器,基于深度学习理论的深度神经网络分类器具有深层特征学习和特征拟合的巨大优势,在图像分类领域取得了不错的精度提升。然而,在深度神经网络分类器被广泛应用于遥感分类任务的同时,其对地形因素的处理是否仍然需要通过地形校正来实现?分类器能否拟合地形所带来的影响?这些问题还没能被解答。本文借助U-Net与SegNet深度神经网络分类器在影像分类上的优势开展了基于Landsat8 OLI 30m卫星影像的一系列分类实验,通过分析比较地形校正前后这两种分类器所得分类结果精度的高低,初步回答了地形校正在深度神经网络分类任务中是否必要的问题。论文的主要研究成果及创新点如下:（1）在混合样本采样方式下基于U-Net和SegNet深度神经网络分类器实现了对地形校正前后Landsat8 OLI遥感卫星影像的分类提取和对分类器的泛化性验证,经多组科学合理的分类实验及严格的精度评价,证明了地形校正对U-Net和SegNet深度神经网络分类器分类结果的精度无明显影响。（2）在纯阴、阳坡样本采样方式下基于U-Net深度神经网络分类器分别实现了对地形校正前后Landsat8 OLI纯阴坡和纯阳坡影像数据的分类提取和对分类器的泛化性验证,进一步证实了在以U-Net和SegNet为例的深度神经网络分类应用实例中,分类前没有必要对卫星影像数据进行地形校正处理。（3）以典型地域中地形校正前后影像分类提取为实例,通过系统地分类实验并根据直观的分类精度变化解答了深度神经网络分类中是否需要进行地形校正的疑问,对于深度学习技术在遥感分类中的推广应用具有实用价值。
二、重复传播网络的改进及其在遥感分类中的应用研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、重复传播网络的改进及其在遥感分类中的应用研究（论文提纲范文）
（1）基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 引言 |
| 1.1 选题背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感影像分类方法研究现状 |
| 1.2.2 现有遥感影像数据的获取平台 |
| 1.2.3 遥感影像地物覆被分类中的关键问题 |
| 1.3 Google Earth Engine云平台 |
| 1.3.1 平台注册 |
| 1.3.2 公共数据集 |
| 1.3.3 程序设计接口 |
| 1.3.4 系统架构 |
| 1.4 拟解决的科学问题 |
| 1.5 研究目的和内容 |
| 1.6 论文创新点 |
| 1.7 技术路线 |
| 2 研究区概况 |
| 2.1 地理位置 |
| 2.2 气候环境 |
| 2.3 植被状况 |
| 2.4 地质地貌 |
| 3 数据与方法 |
| 3.1 数据源 |
| 3.1.1 MCD12Q1 |
| 3.1.2 Landsat-8 OLI |
| 3.1.3 Sentinel-2 L1C |
| 3.1.4 SRTM DEM |
| 3.1.5 其它数据 |
| 3.2 遥感影像预处理 |
| 3.2.1 最小云量影像集的生成 |
| 3.2.2 波段选择和彩色合成 |
| 3.2.3 灰度调整和反差处理 |
| 3.2.4 镶嵌和裁剪 |
| 3.3 多维分类特征集的构建 |
| 3.3.1 光谱特征 |
| 3.3.2 纹理特征 |
| 3.3.3 地形特征 |
| 3.4 大型训练样本数据集的创建与质量控制 |
| 3.5 分类后误差来源与精度评价 |
| 3.5.1 误差来源 |
| 3.5.2 精度评价 |
| 4 传统多分类器的调参优化 |
| 4.1 分类回归树的参数选择 |
| 4.1.1 构建分类回归树 |
| 4.1.2 拆分规则 |
| 4.1.3 修剪树 |
| 4.2 随机森林的参数选择 |
| 4.2.1 构建随机森林 |
| 4.2.2 粒子群性能 |
| 4.2.3 最优共享粒子 |
| 4.3 支持向量机的参数选择 |
| 4.3.1 最佳分类超平面 |
| 4.3.2 核函数 |
| 4.4 性能验证 |
| 4.5 小结 |
| 5 基于深度卷积神经网络ResNet-101的新型分类器研究 |
| 5.1 卷积神经网络的算法原理 |
| 5.1.1 卷积神经网络的结构 |
| 5.1.2 卷积神经网络的特点 |
| 5.2 深层次残差网络ResNet-101 分类器的构建 |
| 5.2.1 残差学习 |
| 5.2.2 基于TensorFlow构建残差网络ResNet-101 分类器 |
| 5.2.3 深层次残差网络分类器的应用优势 |
| 5.2.4 性能验证 |
| 5.3 小结 |
| 6 基于MCD12Q1 地物覆被类型的智能分类结果 |
| 6.1 地物覆被类型下的特征识别和提取效果 |
| 6.1.1 训练和验证样本数量下总体精度和运行时间的变化规律 |
| 6.1.2 多分类器下地物覆被类型像元的变化规律 |
| 6.1.3 遥感影像种类下地物覆被类型面积的变化规律 |
| 6.2 遥感影像地物覆被类型的分类结果比对 |
| 6.2.1 Landsat-8 OLI影像的地物覆被类型 |
| 6.2.2 Sentinel-2 L1C影像的地物覆被类型 |
| 6.3 小结 |
| 7 遥感影像智能分类结果的可靠性评价 |
| 7.1 混淆矩阵 |
| 7.2 精度计算 |
| 7.3 误差对比 |
| 7.4 Kappa系数 |
| 7.5 小结 |
| 8 讨论与总结 |
| 8.1 讨论 |
| 8.2 结论 |
| 8.3 展望 |
| 致谢 |
| 参考文献 |
| 作者简介 |
（2）基于深度学习的农村住房遥感信息提取研究及时空演变应用（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 缩写 |
| 1 绪论 |
| 1.0 研究背景与意义 |
| 1.0.1 研究背景 |
| 1.0.2 研究目的及意义 |
| 1.1 国内外研究现状 |
| 1.1.1 农村建筑物遥感信息提取研究进展 |
| 1.1.2 高分辨率遥感影像分类研究进展 |
| 1.1.3 半监督深度学习现状 |
| 1.2 研究内容与组织架构 |
| 1.2.1 研究内容 |
| 1.2.2 论文组织架构和安排 |
| 1.2.3 技术路线 |
| 2 研究区概况与数据资料 |
| 2.1 研究区概况 |
| 2.2 数据介绍 |
| 2.2.1 遥感数据 |
| 2.2.2 建筑物数据集 |
| 2.2.3 其他数据 |
| 2.2.4 影像数据预处理 |
| 3 基于高分航拍影像和全卷积注意力网络的建筑物提取研究 |
| 3.1 引言 |
| 3.2 卷积神经网络基础理论与相关技术 |
| 3.2.1 监督学习与分类 |
| 3.2.2 卷积神经网络结构 |
| 3.2.3 全卷积网络 |
| 3.3 基于联合注意力的全卷积网络的建筑物提取 |
| 3.3.1 U-Net特征提取网络 |
| 3.3.2 残差注意力模块 |
| 3.3.3 联合注意力的U-Net网络结构 |
| 3.4 实验结果与分析 |
| 3.4.1 数据集与评价指标 |
| 3.4.2 实验相关设置 |
| 3.4.3 注意力模块的比较 |
| 3.4.4 与其他方法的比较 |
| 3.4.5 实验结果讨论 |
| 3.5 本章小结 |
| 4 基于高分卫星影像和全卷积网络的农村住房提取研究 |
| 4.1 引言 |
| 4.2 研究区与数据 |
| 4.2.1 研究区 |
| 4.2.2 数据预处理 |
| 4.3 基于扩张卷积的多尺度残差神经网络 |
| 4.3.1 扩张残差特征提取网络 |
| 4.3.2 多尺度上下文特征融合网络 |
| 4.3.3 基于多光谱影像的迁移学习 |
| 4.4 实验结果与分析 |
| 4.4.1 具体实现与评价指标 |
| 4.4.2 农村住房提取结果及精度评价 |
| 4.4.3 面积精度评价 |
| 4.4.4 与其他方法的比较 |
| 4.4.5 讨论 |
| 4.5 本章小结 |
| 5 基于半监督集成学习的农村住房信息提取研究 |
| 5.1 引言 |
| 5.2 研究区与数据 |
| 5.2.1 研究数据 |
| 5.2.2 数据预处理 |
| 5.3 基于集成网络的半监督方法 |
| 5.3.1 集成网络训练 |
| 5.3.2 半监督弱标注数据集 |
| 5.3.3 集成网络训练与微调 |
| 5.3.4 多集成深度网络 |
| 5.4 基于半监督集成学习的农村住房信息提取 |
| 5.4.1 实验设置与评价指标 |
| 5.4.2 2018 年农村住房信息提取结果 |
| 5.4.3 2012 年农村住房信息提取结果 |
| 5.4.4 2005 年农村住房信息提取结果 |
| 5.4.5 农村住房面积精度评价 |
| 5.5 本章小结 |
| 6 农村居民点边界量化与时空动态分析 |
| 6.1 引言 |
| 6.2 基于渗流理论的农村居民点边界量化 |
| 6.2.1 基于渗流算法的农村住房聚类 |
| 6.2.2 空间聚类结果精度评价 |
| 6.3 农村居民点数量及变化 |
| 6.4 农村居民点空间分布特征研究 |
| 6.4.1 探索性空间分析方法 |
| 6.4.2 农村居民点空间分布变化 |
| 6.4.3 农村居民点优化建议 |
| 6.5 本章小结 |
| 7 总结与展望 |
| 7.1 研究结论 |
| 7.2 创新点 |
| 7.3 研究展望 |
| 参考文献 |
| 博士期间论文发表情况 |
（3）基于图像语义分割的土地利用分类研究（论文提纲范文）
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究意义 |
| 1.2 研究现状 |
| 1.2.1 图像语义分割算法研究现状 |
| 1.2.2 域适应算法研究现状 |
| 1.2.3 存在的问题 |
| 1.3 研究内容和技术路线 |
| 1.3.1 研究内容 |
| 1.3.2 技术路线 |
| 1.4 论文的创新之处 |
| 1.5 论文组织结构 |
| 第二章 相关理论 |
| 2.1 深度学习基础理论 |
| 2.1.1 反向传播 |
| 2.1.2 损失函数 |
| 2.1.3 卷积神经网络 |
| 2.1.4 生成对抗网络 |
| 2.2 语义分割模型 |
| 2.2.1 U-Net |
| 2.2.2 Deep Lab V3+ |
| 2.2.3 HR-Net |
| 2.3 域适应 |
| 2.3.1 基础理论 |
| 2.3.2 基于GAN的域适应方法 |
| 2.4 本章小结 |
| 第三章 语义分割模型选择与改进 |
| 3.1 研究区域介绍 |
| 3.2 数据预处理与标注 |
| 3.2.1 图像融合 |
| 3.2.2 数据标注 |
| 3.3 基于语义分割的土地利用分类 |
| 3.3.1 训练策略 |
| 3.3.2 实验评价指标 |
| 3.3.3 实验结果对比与分析 |
| 3.4 基于HR-Net的改进网络 |
| 3.4.1 改进方案 |
| 3.4.2 实验结果对比与分析 |
| 3.5 本章小结 |
| 第四章 基于改进后HR-Net的域适应研究 |
| 4.1 研究区介绍 |
| 4.2 基于MCD的域适应模型 |
| 4.3 基于改进后HR-Net的对抗域适应模型 |
| 4.3.1 模型搭建 |
| 4.3.2 数据预处理 |
| 4.3.3 域适应模型训练 |
| 4.4 基于改进后HR-Net与 Cycle GAN的融合域适应模型 |
| 4.4.1 模型搭建 |
| 4.4.2 数据预处理 |
| 4.4.3 域适应模型训练 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 第五章 土地利用分类程序实现 |
| 5.1 程序功能分析 |
| 5.2 功能模块简述 |
| 5.2.1 数据处理模块 |
| 5.2.2 训练模块 |
| 5.2.3 分类模块 |
| 5.2.4 窗体模块 |
| 5.3 功能测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 总结 |
| 6.2 展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士学位期间取得的成果 |
| 攻读硕士学位期间参与的项目 |
（4）高分辨率卫星影像分类及变化检测算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景 |
| 1.1.1 高分影像 |
| 1.1.2 高分影像分类及变化检测技术 |
| 1.2 国内外研究现状 |
| 1.2.1 分类算法 |
| 1.2.2 变化检测算法 |
| 1.3 研究意义 |
| 1.4 研究目标和研究路线 |
| 1.5 论文的组织结构 |
| 第二章 影像分类与变化检测技术 |
| 2.1 影像分类技术概述 |
| 2.1.1 遥感影像传统分类方法 |
| 2.1.2 遥感影像深度学习分类方法 |
| 2.1.3 一般分类方案 |
| 2.2 目前分类技术的缺陷 |
| 2.3 变化检测技术概述 |
| 2.3.1 变化检测的概念 |
| 2.3.2 变化检测的方法 |
| 2.3.3 变化检测数学模型的建立 |
| 2.3.4 变化检测的基本流程 |
| 2.4 目前变化检测技术存在的缺陷 |
| 第三章 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.1 脊波理论 |
| 3.1.1 小波分析及多尺度几何分析 |
| 3.1.2 脊波理论 |
| 3.2 卷积神经网络 |
| 3.2.1 人工神经网络出现及发展 |
| 3.2.2 卷积神经网络 |
| 3.3 基于脊波、卷积神经网络的高分影像分类算法 |
| 3.3.1 算法的整体思路 |
| 3.3.2 低分辨率样本的产生 |
| 3.3.3 脊波滤波器 |
| 3.3.4 多分辨率卷积神经网络模型(MRCNNS) |
| 3.4 实验说明 |
| 3.4.1 实验数据说明 |
| 3.4.2 实验设计和参数分析 |
| 3.5 实验结果与分析 |
| 3.5.1 结果比较 |
| 3.5.2 训练样本数量对分类精度的影响分析 |
| 3.5.3 结果分析 |
| 第四章 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.1 影像融合 |
| 4.1.1 影像融合的主要方法 |
| 4.1.2 影像融合系统框架 |
| 4.2 多尺度分割 |
| 4.2.1 尺度空间理论 |
| 4.2.2 影像分割 |
| 4.2.3 多尺度分割 |
| 4.3 基于光谱特征级融合及多尺度分割投票决策的变化检测方法 |
| 4.3.1 算法整体思路 |
| 4.3.2 二值变化特征影像的生成 |
| 4.3.3 多尺度分割投票决策 |
| 4.4 实验说明 |
| 4.4.1 实验数据说明 |
| 4.4.2 实验设计和参数分析 |
| 4.5 实验结果与分析 |
| 4.5.1 实验参数说明 |
| 4.5.2 实验结果 |
| 4.5.3 结果分析 |
| 第五章 分类及变化检测算法在土地调查中的应用 |
| 5.1 分类算法在土地调查数据质量评价方面的应用 |
| 5.1.1 应用背景分析 |
| 5.1.2 实验数据及步骤说明 |
| 5.1.3 实验结果及分析 |
| 5.2 变化检测算法在年度土地变更调查与遥感监测中的应用 |
| 5.2.1 应用背景分析 |
| 5.2.2 实验数据及步骤说明 |
| 5.2.3 实验结果及分析 |
| 总结与展望 |
| 1 全文总结 |
| 2 主要创新点 |
| 3 存在的问题及后续研究展望 |
| 参考文献 |
| 攻读学位期间取得的研究成果 |
| 致谢 |
（5）基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究（论文提纲范文）
| 致谢 |
| 摘要 |
| Abstract |
| 术语缩写表 |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像分割研究 |
| 1.2.2 遥感图像特征提取与分类研究 |
| 1.2.3 遥感图像迁移学习研究 |
| 1.2.4 存在问题与不足 |
| 1.3 研究目的与内容 |
| 1.3.1 研究目的 |
| 1.3.2 研究内容 |
| 1.3.3 技术路线 |
| 1.4 研究区域与实验数据 |
| 1.4.1 研究区域 |
| 1.4.2 实验数据 |
| 1.5 论文组织与章节安排 |
| 2 超像素单尺度地表覆盖分类 |
| 2.1 遥感图像ETPS超像素分割 |
| 2.1.1 ETPS分割算法概述 |
| 2.1.2 基于假彩色合成和图像增强的ETPS分割 |
| 2.1.3 遥感图像ETPS分割结果 |
| 2.2 光谱图像的超像素单尺度分类 |
| 2.2.1 Xception卷积网络概述 |
| 2.2.2 基于ETPS的 RSImage-Xception网络设计 |
| 2.3 变换图像的超像素单尺度分类 |
| 2.3.1 Contourlet图像变换概述 |
| 2.3.2 基于ETPS的 RSContourlet-Xception网络设计 |
| 2.4 实验结果分析 |
| 2.4.1 地表覆盖分类评价指标 |
| 2.4.2 实验环境配置 |
| 2.4.3 实验数据与参数设置 |
| 2.4.4 地表覆盖分类实验结果 |
| 2.5 本章小结 |
| 3 深度网络融合的多尺度地表覆盖分类 |
| 3.1 遥感多尺度分析及组合方案 |
| 3.1.1 遥感多尺度分析概述 |
| 3.1.2 多尺度组合方案设计 |
| 3.2 1-DCNN深度融合的多尺度分类 |
| 3.2.1 1-DCNN多尺度分类网络设计 |
| 3.2.2 1-DCNN多尺度分类网络优化训练 |
| 3.3 RNN深度融合的多尺度分类 |
| 3.3.1 RNN循环网络概述 |
| 3.3.2 RNN多尺度分类网络设计 |
| 3.3.3 RNN多尺度分类网络优化训练 |
| 3.4 实验结果分析 |
| 3.4.1 实验数据与参数设置 |
| 3.4.2 地表覆盖分类实验结果 |
| 3.5 本章小结 |
| 4 注意力机制下的多尺度多特征地表覆盖分类 |
| 4.1 注意力机制下的多尺度融合分类 |
| 4.1.1 注意力机制概述 |
| 4.1.2 注意力机制下的多尺度分类网络设计 |
| 4.2 光谱-变换的多尺度多特征融合分类 |
| 4.2.1 Image-Contourlet多特征分类网络设计 |
| 4.2.2 Image-Contourlet多特征分类网络优化训练 |
| 4.3 光谱-变换-对象的多尺度多特征融合分类 |
| 4.3.1 Image-Contourlet-Object多特征分类网络设计 |
| 4.3.2 Image-Contourlet-Object多特征分类网络优化训练 |
| 4.4 实验结果分析 |
| 4.4.1 实验数据与参数设置 |
| 4.4.2 地表覆盖分类实验结果 |
| 4.5 本章小结 |
| 5 多尺度多特征的迁移学习地表覆盖分类 |
| 5.1 遥感图像迁移学习概述 |
| 5.2 基于模型参数的单尺度迁移学习分类 |
| 5.2.1 分阶段微调训练方式 |
| 5.2.2 模型微调的单尺度迁移学习设计 |
| 5.3 基于模型参数的多尺度多特征迁移学习分类 |
| 5.3.1 模型微调的多尺度迁移学习设计 |
| 5.3.2 模型微调的多尺度多特征迁移学习设计 |
| 5.4 实验结果分析 |
| 5.4.1 实验数据与参数设置 |
| 5.4.2 地表覆盖分类实验结果 |
| 5.5 本章小结 |
| 6 结论及展望 |
| 6.1 研究总结 |
| 6.2 研究特色与创新 |
| 6.3 研究展望 |
| 参考文献 |
| 作者简历 |
（6）卷积神经网络的压缩与加速在遥感图像分类上的应用（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 遥感图像场景分类 |
| 1.2.2 卷积神经网络轻量化 |
| 1.3 本文主要研究内容和章节安排 |
| 1.3.1 研究内容 |
| 1.3.2 章节安排 |
| 第二章 相关理论介绍 |
| 2.1 卷积网络 |
| 2.1.1 卷积层 |
| 2.1.2 激活层 |
| 2.1.3 批归一化层 |
| 2.1.4 优化算法 |
| 2.1.5 Dropout层 |
| 2.1.6 迁移学习 |
| 2.2 卷积神经网络压缩与加速 |
| 2.2.1 高效卷积结构 |
| 2.2.2 神经网络剪枝 |
| 2.3 本章小结 |
| 第三章 改进Mobile Net V2 网络在遥感影像场景分类中的应用 |
| 3.1 概述 |
| 3.2 网络结构及设计思路 |
| 3.2.1 瓶颈设计 |
| 3.2.2 网络整体结构 |
| 3.2.3 理论参数量与计算量分析 |
| 3.3 实验及分析 |
| 3.3.1 实验环境与数据集 |
| 3.3.2 网络的训练与分析 |
| 3.4 本章总结 |
| 第四章 复合剪枝在遥感图像场景分类上的应用 |
| 4.1 概述 |
| 4.2 复合剪枝 |
| 4.2.1 滤波器弹性 |
| 4.2.2 复合剪枝与其他方法的区别 |
| 4.2.3 不同网络结构剪枝细节 |
| 4.3 实验与分析 |
| 4.3.1 数据集 |
| 4.3.2 网络模型 |
| 4.3.3 训练、剪枝和微调 |
| 4.3.4 实验结果 |
| 4.3.5 消融实验 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的研究成果 |
（7）土地利用分类中图像分类技术的探讨（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外相关研究综述 |
| 1.2.1 关于土地利用分类的研究现状 |
| 1.2.2 关于图像分类的研究现状 |
| 1.2.3 国内外研究评述 |
| 1.3 本文研究内容与结构安排 |
| 2 土地利用分类中图像分类技术的理论认知 |
| 2.1 图像分类的界定 |
| 2.2 图像分类的原理 |
| 2.3 图像分类的实现 |
| 2.3.1 基础组件—层 |
| 2.3.2 训练的“引擎”—损失函数和基于梯度的优化器 |
| 2.4 基于深度学习的图像分类的训练技巧 |
| 2.4.1 降低过拟合的技巧 |
| 2.4.2 “跳出”局部极小点的技巧 |
| 2.4.3 解决梯度消失的技巧 |
| 2.5 应用的必要性和可行性 |
| 3 土地利用分类的模型构建 |
| 3.1 构建模型的准则 |
| 3.1.1 提升模型性能,改进土地分类精度问题 |
| 3.1.2 提高模型效率,改进土地分类效率问题 |
| 3.2 构建模型的基础 |
| 3.3 模型压缩 |
| 3.4 模型整合 |
| 3.5 构建模型 |
| 3.5.1 基于迁移学习+模型整合的Res Net-50 整合模型 |
| 3.5.2 集成了VGG16和Xception整合模型的组合模型 |
| 4 土地利用分类的实证分析 |
| 4.1 土地数据库的构建 |
| 4.1.1 图像数据的收集和预处理 |
| 4.1.2 建立土地数据库 |
| 4.2 工作平台的搭建和指标体系的选择 |
| 4.2.1 工作平台的搭建 |
| 4.2.2 指标体系的选择 |
| 4.3 基于Res Net-50 整合模型的土地利用分类结果 |
| 4.4 基于集成多个整合模型的土地利用分类结果 |
| 5 结论与展望 |
| 5.1 论文结论 |
| 5.2 结果展望 |
| 参考文献 |
| 附录 |
| 后记 |
（8）新型雾计算架构及其在遥感图像分类中的应用研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.1.1 研究背景 |
| 1.1.2 研究意义 |
| 1.2 国内外研究现状及发展趋势 |
| 1.3 研究目标和内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文组织结构 |
| 1.5 本章小结 |
| 2 雾计算基础理论、架构和应用场景 |
| 2.1 雾计算概述和定义 |
| 2.2 与雾计算相似的计算模式 |
| 2.3 雾计算系统架构 |
| 2.4 应用场景 |
| 2.5 本章小结 |
| 3 一种基于节点序号动态变化的改进领导者选举算法 |
| 3.1 领导者选举算法 |
| 3.1.1 raft选举算法 |
| 3.1.2 欺负选举算法 |
| 3.1.3 环选举算法 |
| 3.1.4 通信复杂度对比分析 |
| 3.2 基于节点序号动态变化的改进领导者选举算法 |
| 3.2.1 领导者任命机制 |
| 3.2.2 领导者节点故障处理机制 |
| 3.2.3 普通节点故障处理机制 |
| 3.2.4 退出后的节点或新节点加入系统 |
| 3.2.5 算法分析 |
| 3.3 本章小结 |
| 4 一种基于加权轮转算法的新型雾计算架构 |
| 4.1 负载均衡策略研究 |
| 4.2 基于加权轮转算法的新型雾计算架构 |
| 4.2.1 架构说明 |
| 4.2.2 流程说明 |
| 4.2.3 流程图 |
| 4.3 架构合理性分析 |
| 4.4 实验验证分析 |
| 4.4.1 实验方案 |
| 4.4.2 实验结果与分析 |
| 4.5 本章小结 |
| 5 新型雾计算架构在遥感图像分类中的应用 |
| 5.1 遥感图像分类概述 |
| 5.1.1 遥感图像分类定义 |
| 5.1.2 遥感图像分类原理 |
| 5.1.3 遥感图像分类过程 |
| 5.2 基于新型雾计算架构的在线遥感图像分类系统设计 |
| 5.2.1 系统架构设计 |
| 5.2.2 系统组成结构设计 |
| 5.2.3 系统工作流程图 |
| 5.2.4 系统合理性分析 |
| 5.3 在线遥感图像分类系统分类效果展示 |
| 5.4 本章小结 |
| 6 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间的科研成果 |
（9）基于弱监督集成学习的高光谱图像分类方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景、目的和意义 |
| 1.2 研究现状及发展动态分析 |
| 1.2.1 国内外研究现状 |
| 1.2.2 基于弱监督学习的高光谱图像分类及其存在的问题 |
| 1.2.3 基于集成学习的高光谱图像分类及其存在的问题 |
| 1.3 研究目标和研究内容 |
| 1.3.1 研究目标 |
| 1.3.2 研究内容 |
| 1.4 论文结构安排 |
| 2 高光谱图像分类基础 |
| 2.1 引言 |
| 2.2 基于光谱匹配的分类方法 |
| 2.2.1 光谱编码匹配 |
| 2.2.2 光谱相关系数 |
| 2.2.3 光谱夹角余玄匹配 |
| 2.2.4 光谱信息散度 |
| 2.3 高光谱图像数据集 |
| 2.4 分类评价指标 |
| 2.5 本文用到的基本技术算法 |
| 2.5.1 随机森林 |
| 2.5.2 k-means算法 |
| 2.5.3 主成分分析PCA |
| 2.6 本章小结 |
| 3 基于级联随机森林的高光谱图像分类 |
| 3.1 引言 |
| 3.2 相关工作 |
| 3.3 级联随机森林CRF |
| 3.3.1 邻域粗糙集 |
| 3.3.2 CRF |
| 3.4 实验结果与分析 |
| 3.4.1 高光谱图像数据集 |
| 3.4.2 实验设置 |
| 3.4.3 实验结果 |
| 3.4.4 参数分析 |
| 3.5 本章小结 |
| 4 基于主动半监督随机森林的高光谱图像分类 |
| 4.1 引言 |
| 4.2 相关工作 |
| 4.3 协同主动学习和半监督学习的随机森林方法 |
| 4.3.1 主动学习查询函数 |
| 4.3.2 监督聚类 |
| 4.3.3 ASSRF算法 |
| 4.4 实验结果与分析 |
| 4.4.1 高光谱图像数据集 |
| 4.4.2 实验设置 |
| 4.4.3 与RF、CRF和 SSRF进行实验比较 |
| 4.4.4 与较新的方法进行比较 |
| 4.4.5 参数分析 |
| 4.4.6 ASSRF深入分析 |
| 4.5 本章小结 |
| 5 基于多视图随机旋转集成的高光谱图像分类 |
| 5.1 引言 |
| 5.2 极限学习机ELM |
| 5.3 基于多视图的随机旋转集成剪枝算法 |
| 5.3.1 基于多视图的随机旋转 |
| 5.3.2 集成剪枝 |
| 5.4 实验结果与分析 |
| 5.4.1 高光谱图像数据集 |
| 5.4.2 实验设置 |
| 5.4.3 实验结果与分析 |
| 5.4.4 与较新的方法进行比较 |
| 5.4.5 参数分析 |
| 5.4.6 集成剪枝有效性分析 |
| 5.5 本章小结 |
| 6 基于多视图标签传播集成的高光谱图像分类 |
| 6.1 引言 |
| 6.2 基于多视图的标签传播集成 |
| 6.2.1 光谱空间特征抽取 |
| 6.2.2 基于光谱空间邻域相似性的标签传播 |
| 6.2.3 标签传播集成LPE |
| 6.3 实验结果与分析 |
| 6.3.1 实验用到的高光谱数据集 |
| 6.3.2 实验设置 |
| 6.3.3 分类结果 |
| 6.3.4 数据可视化 |
| 6.3.5 与较新的方法进行比较 |
| 6.3.6 参数分析 |
| 6.4 本章小结 |
| 7 结论与展望 |
| 7.1 全文工作总结 |
| 7.2 未来研究展望 |
| 致谢 |
| 参考文献 |
| 附录 A |
| A.1 定理5.1 的证明 |
| 附录 B |
| B.1 攻读博士学位期间发表的论文和出版着作情况 |
| B.2 攻读博士学位期间在审的论文情况 |
| B.3 攻读博士学位期间参加的科研项目情况 |
| B.4 攻读博士学位期间获得荣誉和奖励情况 |
（10）地形校正对深度神经网络分类器分类结果精度的影响研究（论文提纲范文）
| 摘要 |
| abstract |
| 第1章 引言 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 地形校正及遥感分类方法研究进展 |
| 1.2.2 地形校正后再分类研究进展 |
| 1.2.3 地形数据辅助分类研究进展 |
| 1.3 当前研究中存在的问题与不足 |
| 1.4 本文研究的主要内容和创新点 |
| 1.4.1 主要内容和章节安排 |
| 1.4.2 本文创新点 |
| 第2章 混合样本采样方式下地形校正前后U-Net分类及泛化验证 |
| 2.1 U-Net网络 |
| 2.1.1 基本原理及网络框架 |
| 2.1.2 目标函数与优化方法 |
| 2.1.3 模型优势及可用性分析 |
| 2.2 基于U-Net的 Landsat8 OLI影像地形校正前后分类 |
| 2.2.1 数据源及分布 |
| 2.2.2 实验数据集 |
| 2.2.3 实验环境与参数设置 |
| 2.2.4 分类结果 |
| 2.2.5 不同学习率下的精度统计与结果分析 |
| 2.3 U-Net分类器的泛化性验证 |
| 2.3.1 数据源及分布 |
| 2.3.2 验证数据集 |
| 2.3.3 验证结果 |
| 2.3.4 精度统计与结果分析 |
| 2.4 分类实验设计讨论 |
| 2.5 本章小结 |
| 第3章 混合样本采样方式下地形校正前后SegNet分类及泛化验证 |
| 3.1 SegNet网络 |
| 3.1.1 基本原理及网络框架 |
| 3.1.2 目标函数与优化方法 |
| 3.1.3 模型优势及可用性分析 |
| 3.2 基于SegNet的 Landsat8 OLI影像地形校正前后分类 |
| 3.2.1 分类结果 |
| 3.2.2 不同学习率下的精度统计与结果分析 |
| 3.3 SegNet分类器的泛化性验证 |
| 3.3.1 验证结果 |
| 3.3.2 精度统计与结果分析 |
| 3.4 U-Net与 SegNet分类器分类结果比较 |
| 3.5 本章小结 |
| 第4章 纯阴、阳坡样本采样方式下地形校正前后U-Net分类及泛化验证 |
| 4.1 纯阴、阳坡样本数据获取 |
| 4.1.1 阴、阳坡划分与提取 |
| 4.1.2 纯阴、阳坡数据集获取 |
| 4.2 纯阴坡影像地形校正前后U-Net分类及泛化性验证 |
| 4.2.1 分类实验 |
| 4.2.2 泛化验证 |
| 4.3 纯阳坡影像地形校正前后U-Net分类及泛化性验证 |
| 4.3.1 分类实验 |
| 4.3.2 泛化验证 |
| 4.4 本章小结 |
| 第5章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 致谢 |
| 作者简历及攻读学位期间发表的学术论文与研究成果 |
四、重复传播网络的改进及其在遥感分类中的应用研究（论文参考文献）
- [1]基于Google Earth Engine云平台下地物覆被类型的遥感影像智能分类方法研究[D]. 潘霞. 内蒙古农业大学, 2021
- [2]基于深度学习的农村住房遥感信息提取研究及时空演变应用[D]. 叶自然. 浙江大学, 2021(01)
- [3]基于图像语义分割的土地利用分类研究[D]. 江邵斌. 电子科技大学, 2021(01)
- [4]高分辨率卫星影像分类及变化检测算法研究[D]. 郑志峰. 长安大学, 2020(06)
- [5]基于深度学习和多尺度多特征融合的高分辨率遥感地表覆盖分类研究[D]. 张书瑜. 浙江大学, 2020(01)
- [6]卷积神经网络的压缩与加速在遥感图像分类上的应用[D]. 李放. 江西理工大学, 2020(01)
- [7]土地利用分类中图像分类技术的探讨[D]. 张涛. 兰州财经大学, 2020(02)
- [8]新型雾计算架构及其在遥感图像分类中的应用研究[D]. 朱东伟. 河南大学, 2020(02)
- [9]基于弱监督集成学习的高光谱图像分类方法研究[D]. 张友强. 南京理工大学, 2020(01)
- [10]地形校正对深度神经网络分类器分类结果精度的影响研究[D]. 贾莉. 中国科学院大学(中国科学院空天信息创新研究院), 2020(06)