军事气象学论文提纲

论文题目：基于深度学习的高分辨率遥感图像语义分割方法研究

摘要：遥感技术是通过卫星成像从而对各种地物进行识别和检测的一种综合探测技术,被广泛应用于农业、气象学、地理学、城市规划和军事等领域。在城市规划、交通监控、天气预报、林业测量、变化检测、灾害评估和军事目标识别等应用中,需要对高分辨率遥感图像进行解析。但是高分辨率遥感图像包含丰富的地物信息,如何从遥感图像中获取有效的空间信息和更加高效地处理日益增长的海量遥感数据成为了目前最重要的研究方向。随着卫星技术的发展,获得的遥感图像像素更高,包含的信息更多,传统的针对遥感图像的图像分割方法存在很大的局限性。遥感图像语义分割的结果对遥感图像解译起到关键的作用。随着深度学习的发展,越来越多的人通过深度学习的方式实现图像语义分割,但是深度学习在高分辨率遥感图像的研究和应用相当少。因此通过深度学习的方法来实现对高分辨率遥感图像的语义分割有着重要的科学意义。本文基于深度学习,对高分辨率遥感图像语义分割方法深入研究,主要完成工作如下:（1）研究传统的深度学习模型,包括FCN（Fully ConvolutionalNetworks）、Unet、Segnet三种网络。首先对三种网络模型的网络结构进行研究;然后构建三种网络模型,并将其应用到高分辨率遥感图像的语义分割问题中,使用高分辨率遥感图像数据进行训练;最后通过对比不同模型的实验结果,研究如何在传统模型的基础上进行提升。（2）研究基于残差网络的Unet、Segnet网络的高分辨率遥感图像语义分割方法,并采用迁移学习的方法进行改进。虽然Unet、Segnet网络在语义分割方面表现不错,但是两个网络的网络结构较为简单,并且网络深度不够,对图像中的特征提取能力不够。高分辨率遥感图像包含丰富的特征信息,并且很多特征信息较为复杂,如果网络的特征提取能力不够,训练出来的模型的效果表现不是很好。通过实验与传统模型进行比较,表明通过引入残差结构的网络分割效果更好,精度更高,在MIOU（Mean Intersection over Union,平均交并比）上最多提升0.89,在F1分数上最多提升0.33。（3）在Unet网络和Segnet网络的基础上,提出SegUnet网络,并引入残差结构和采用迁移学习进行改进。通过将Unet网络中跳跃连接的特点和Segnet网络中的池化层索引的特点进行结合,并且将原本编码器部分采用残差网络进行替换。这样做的好处是可以进一步提高网络的特征提取能力,并且通过迁移学习以及残差网络的引入,使得网络的表达能力更强。通过与其他经典网络对比实验,证明基于残差网络的SegUnet网络的分割效果优于传统基于残差网络的Unet、Segnet网络,MIOU最高可以达到0.928,F1分数最多为0.967,准确率最高为97.7%。

关键词：深度学习;遥感图像;语义分割;卷积神经网络;迁移学习

学科专业：光学工程（专业学位）

中文摘要

Abstract

绪论

0.1 研究背景和意义

0.2 国内外研究现状

0.2.1 遥感图像语义分割的研究现状

0.2.2 深度学习的研究现状

0.3 本文主要研究内容和章节安排

0.3.1 研究内容

0.3.2 本文章节安排

第一章 相关技术与基础理论

1.1 卷积神经网络的结构

1.1.1 卷积层

1.1.2 池化层

1.1.3 激活层

1.1.4 全连接层

1.1.5 BN层

1.1.6 Dropout层

1.2 经典的卷积神经网络模型

1.2.1 AlexNet

1.2.2 VGGNet

1.2.3 ResNet

1.3 开发环境和工具

1.4 本章小结

第二章 基于残差结构的语义分割模型研究

2.1 经典的语义分割网络模型

2.1.1 FCN

2.1.2 Unet

2.1.3 SegNet

2.2 迁移学习

2.3 基于残差网络的Unet、Segnet网络的设计

2.4 基于残差网络的SegUnet网络的设计

2.5 集成学习-投票表决法

2.6 本章小结

第三章 实验结果与分析

3.1 实验数据分析及其预处理

3.1.1 实验数据分析

3.1.2 实验数据预处理

3.2 实验评价指标

3.3 实验环境与实验参数设置

3.3.1 实验环境

3.3.2 实验参数设置

3.4 实验分析

3.5 本章小结

第四章 总结与展望

4.1 总结

4.2 展望

参考文献

致谢

插图索引