基于深度学习的遥感图像分类研究开题报告

1. 研究目的与意义、国内外研究现状（文献综述）

课题意义

遥感图像中包含着大量的数据信息，这些具有价值意义的数据被广泛应用于各行各业。遥感图像数据的多元性、多分辨率以及地物信息复杂等特点，使得难以从遥感图像中提取到精确的地物信息，遥感图像分类较为困难。传统的图像场景分类方法，由于噪声敏感、识别精度不够、处理复杂度过高等原因，无法快速准确地处理遥感图像场景分类的问题。近些年来，卷积神经网络在图像处理领域取得了许多突破性进展，它依靠自身具备的参数共享、局部感受野、降采样和稀疏连接等特点，通过建立深度学习模型，结合使用优化算法，可以取得很好的分类效果。使用神经网络进行开发已成为当前遥感图像分类技术的发展趋势^[1-2]。

2. 研究的基本内容和问题

研究目标

本研究基于卷积神经网络在遥感图像分类中的应用，通过搭建并训练不同类型的深度卷积神经网络模型，再对比分析不同模型的分类精度，得到更有效的分类模型。为进一步改进相关网络模型提高遥感图像场景分类精确度提供参考依据。

研究内容

3. 研究的方法与方案

研究方法

1、获取遥感图像数据集。

2、对不同的网络模型选取合适的图像规格。

4. 研究创新点

1、探索了新型训练模型、优化模型性能的方法。

2、尝试探索不同模型间的差别。

5. 研究计划与进展

2020年1月-2020年2月：与指导老师沟通交流，确定研究方向，学习深度学习框架tensorflow搭建，获取遥感图像数据集。

2020年3月：完成模型构建与模型训练，实现初步的图像场景分类。

2020年4月：进一步优化模型参数，提高分类准确率，得到更有效的模型。