卷积神经网络农业遥感硕士论文提纲

卷积神经网络农业遥感硕士论文提纲--基于深度对抗学习的农业遥感图像处理应用研究

摘要：农村居民点是农村生产和生活的载体，农村住房是农村居民点土地利用的主要因素。因此，优化农村居民点布局，土地集约化在农村空间重建和促进农村振兴方面发挥着重要作用。随着高空间分辨率遥感技术和机器学习技术的快速发展，农村居民建筑的准确识别和快速绘可能。本文利用亚米空间分辨率遥感数据，采用深度学习分割方法提取农村建筑；通过分析高分辨率图像的特点和现有图像分割中存在的问题，引入了对抗机制，进一步提高了深度学习分割模型的性能。本文的主要研究内容主要包括以下三个部分：（1）对于遥感数据图像分割，本文研究了三种经典的图像分割模型，包括FCN、encoder-decoder和u-net，水平比较了三种功能模块的优缺点。实验结果表明，在三种经典的分割模型中，U-Net的横向跨度和反向滚动操作可以显著提高分割精度。（2）对于传统的滚动网络分割模型，使用L1模型作为损失函数，可能导致目标函数过度表示和表示不足，本文介绍了对抗机制，提出了基于UGAN分割模型的深度对抗机制，U-Net作为深度对抗网络的生成器，受patchGAN的启发，构建了五层全滚动网络作为分辨器。实验结果表明，与传统的滚动网络模型相比，本方法可以有效地区分建筑目标和其他人造地物，获得更准确的建筑分割结果，反映了对抗训练机制进一步优化生成器目标函数的表示能力。（3）鉴于UGAN分割模型可能训练不稳定，本文进一步优化了对抗网络的目标函数，提出了基于梯度惩罚正则的WGAN-GP分割模型；同时，针对LiPschitz在GP模型中的连续性约束，本文进一步提出了基于WGAN-div散度的WGAN-div改进模型。实验结果表明，WGAN-div的分割性能优于WGAN-gp模型。一般来说，本文对高分辨率农业遥感图像的深度学习分割模型进行了研究和改进。实验结果表明，与经典分割模型相比，本文提出的分割模型可以更准确地提取复杂背景下的建筑目标，对农业信息化具有一定的现实意义。

关键词：生成式对抗网络;卷积神经网络;图像分割;农业遥感;

摘要

Abstract

1 绪论

    1.1 研究背景

    1.2 国内外研究现状

        1.2.1 传统遥感图像分割方法研究进展

        1.2.2 深度学习遥感图像分割方法研究进展

        1.2.3 生成式对抗网络相关研究进展

    1.3 研究内容和组织架构

        1.3.1 研究内容

        1.3.2 论文组织架构安排

2 深度卷积神经网络和生成式对抗网络

    2.1 深度学习基础

    2.2 CNN基本原理

        2.2.1 卷积层

        2.2.2 激活层

        2.2.3 批标准化层

    2.3 GAN基本原理

    2.4 数据集概述

    2.5 实验环境和参数设置

    2.6 评价指标

3 基于卷积神经网络的遥感图像分割模型

    3.1 全卷积网络

    3.2 编解码器网络

    3.3 U-Net网络

    3.4 实验结果分析

    3.5 本章小结

4 基于深度对抗机制的UGAN遥感图像分割模型

    4.1 图像分割中的对抗训练机制

        4.1.1 优化目标

        4.1.2 条件GAN

    4.2 UGAN

        4.2.1 patchGAN

        4.2.2 全卷积判别器网络

    4.3 实验结果分析

    4.4 本章小结

5 基于WGAN遥感图像分割模型

    5.1 WGAN-gp模型

        5.1.1 Wasserstein距离和李普希茨约束

        5.1.2 WGAN-gp的分割模型

    5.2 WGAN-div模型

        5.2.1 Wasserstein距离散度化

        5.2.2 基于WGAN-div的分割模型改进

    5.3 实验结果分析

    5.4 本章小结

6 总结与展望

    6.1 内容总结

    6.2 主要创新点

    6.3 未来展望

参考文献