目录
摘要 I
关键词 I
ABSTRACT II
引言
1 引言 1
1.1 研究背景 1
1.2 国内外研究状况 1
1.2.1 国外研究现状 1
1.2.2 国内研究现状 2
1.3研究目的和内容 2
2 相关理论与技术研究 4
2.1 卷积神经网络模型 4
2.1.1 卷积层 4
2.1.2 激活函数 4
2.1.3 池化层 5
2.1.4 全连接层 6
2.1.5 softmax层 6
2.2 防过拟合技术 6
2.2.1 正则化 6
2.2.2 Dropout 7
2.2.3 据集扩增 7
2.3迁移学习和微调 8
2.3.1 迁移学习(Transfer Learning) 8
2.3.2 微调(finetune) 8
3 遥感图像数据预处理 9
3.1 UCMerced_LandUse数据集 9
3.2 数据预处理 9
3.2.1 数据集划分 9
3.2.2 数据增强（Data Augmentation） 9
3.2.3 去均值化（image mean） 10
3.2.4 归一化 10
4 AlexNet网络模型 11
4.1 系统开发环境 11
4.2 模型训练过程 114.3 AlexNet 12
4.4 结构设计 12
4.5 优化策略 13
4.6 超参数设计 18
4.7 分类结果分析 18
4.8 模型改进 20
5 ResNet50网络模型 21
5.1 ResNet50 21
5.2 结构设计 22
5.3 优化策略 23
5.4 超参数设计 27
5.5 分类结果分析 27
5.6 模型改 *51今日免费论文网|www.51jrft.com +Q: @351916072@ 
进 29
6 总结与展望 30
6.1 总结 30
6.2 展望 30
致谢 31
参考文献 32
基于深度学习的遥感图像分类研究
摘要
遥感图像中包含着大量的数据信息，有巨大的研究价值，对遥感图像进行分类成为研究热点。由于图像本身含有的斑点噪声、处理图像难度大等原因，传统的遥感图像分类方法效果并不理想。而随着深度学习的发展，卷积神经网络在遥感图像分类研究中得到广泛应用。本文通过用AlexNet和ResNet50两种不同深度的卷积神经网络模型对遥感图像进行分类，研究获得更适用于遥感图像的分类模型。首先对UCM遥感数据集进行预处理，包括数据集划分、数据增强、去均值化和归一化操作。采用迁移学习中的微调方法对在ImageNet上训练过的AlexNet和ResNet50预训练模型进行权值迁移，保留卷积层的权值。然后在UCM遥感数据集上重新训练AlexNet和ResNet50，使用新的全连接层替换原本的输出层，同时对网络模型进行参数调整，对比使用不同的优化算法优化模型，最终得到在UCM遥感数据集上的最优分类AlexNet和ResNet50模型。研究结果表明，AlexNet的分类准确率达到0.90，ResNet50的分类准确率达到0.92，对比分析得出网络层数更多的ResNet50在UCM遥感数据集上有更好的分类效果。
RESEARCH ON REMOTE SENSING IMAGE CLASSIFICATION BASED ON DEEP LEARNING
ABSTRACT
Remote sensing images contain a large amount of data information, which has great research value. Classification of remote sensing images has become a research hotspot. Due to speckle noise contained in the image itself and difficulty in processing the image, the traditional remote sensing image classification method is not ideal. With the development of deep learning, convolutional neural networks are widely used in the classification of remote sensing images. In this paper, two different depth convolutional neural network models, AlexNet and ResNet50, are used to classify remote sensing images, and a classification model that is more suitable for remote sensing images is obtained. First, preprocess the UCM remote sensing data set, including data set division, data enhancement, deaveraging and normalization operations. The finetuning method in transfer learning is used to transfer the weights of AlexNet and ResNet50 pretrained models trained on ImageNet, and the weights of the convolutional layer are retained. Then retrain AlexNet and ResNet50 on the UCM remote sensing data set, replace the original output layer with a new fully connected layer, and adjust the parameters of the network model at the same time. Compare and use different optimization algorithms to optimize the model. The optimal classification of AlexNet and ResNet50 models. The research results show that the classification accuracy of AlexNet reaches 0.90 and the classification accuracy of ResNet50 reaches 0.92. The comparative analysis shows that ResNet50 with more network layers has better classification effect on UCM remote sensing data set.

原文链接：http://www.jxszl.com/jsj/jsjkxyjs/605741.html