1. 研究目的与意义
目前，遥感图像种类越来越多，遥感这种利用空间平台远距离对地观测的技术开始被人们所了解。遥感技术对地球的观测能力不断增加，影像的空间分辨率也得到了不断提升。高空间分辨率的影像中所含有的地物信息也更加细致，能够表达地物更多的细节特征以及地物与周围环境、场景的关联关系。遥感图像的场景分类是一个非常具有挑战性的课题，它正在迅速成为灾害管理，森林制图，城市规划等许多应用领域中不可或缺的技术工具。
深度学习技术的出现及其在机器视觉领域中取得的成功应用，给遥感的场景分类研究带来了新的机遇。搭建深度学习图像分类算法，可以显著的提高分类的精度。
2. 研究内容和预期目标
获取遥感图像场景分类数据集，学习预处理图像数据、处理图像数据的方法；
研究卷积神经网络基本原理，搭建卷积神经网络，选择适合的卷积神经网络训练数据集等；
研究深度学习场景分类算法，理解有限标注的影响，如何利用数据增强等方法提高图像分类的精确度等； 预期目标：搭建深度学习图像分类算法，在有限标注样本情形下实现遥感场景分类功能。
剩余内容已隐藏，您需要先支付后才能查看该篇文章全部内容！
3. 研究的方法与步骤
①获取遥感图像场景分类数据集，对数据集进行预处理
② 掌握卷积神经网络基本原理；了解多种神经网络的优缺点，选择几种神经网络进
行学习；
③深入学习深度学习场景分类方法，基于遥感图像场景设计适合的场景分类算法，
了解有限标注情形的影响；
④使用 python 程序实现场景分类算法，并在遥感图像数据集上验证分类效果；
⑤对训练、测试的结果进行评估，优化算法，提高分类的精度；
4. 参考文献
[1] Tao C , Qi J , Lu W , et al. Remote Sensing Image Scene Classification With
Self-Supervised Paradigm Under Limited Labeled Samples[J]. IEEE, 2021.
[2] Min H , Liu B . Ensemble of extreme learning machine for remote sensing image
classification[J]. Neurocomputing, 2015, 149(pt.a):65-70.
[3] Yin G . Early Labeled and Small Loss Selection Semi-Supervised Learning Method
for Remote Sensing Image Scene Classification[J]. Remote Sensing, 2021, 13.
[4]孟庆祥, 吴玄. 基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 测绘通
报, 2019(7):6.
[5]赵福军, 樊雅婧. 深度卷积神经网络的遥感影像滑坡灾害识别[J]. 黑龙江科技学院
学报, 2020, 030(005):556-561.
[6]周志华，机器学习，[M].清华大学出版社，2016
[7]欧阳颖卉. 基于卷积神经网络的遥感图像场景分类[D]. 湖南大学, 2018
[8]李航，统计学习方法，[M].清华大学出版社，2012
5. 计划与进度安排
一、2024 年 2 月底前完成前期准备工作及理论累积；
二、2024 年 2 月-3 月底前完成大部分前期系统架构及功能，以及论文的中期工作；
三、2024 年 4-5 月中旬前完成论文撰写；
四、2024 年 5 月底前完成论文查重与降重；
五、2024 年 6 月准备论文答辩；
剩余内容已隐藏，您需要先支付 10元 才能查看该篇文章全部内容！立即支付
课题毕业论文、开题报告、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
