基于改进VGGNet的不透水面信息提取应用研究

发布时间：2020-03-22 02:12

【摘要】：近年来随着遥感技术的发展,不透水面的信息识别与提取对城镇土地利用变化、城市生态环境检测、城市水文变化及城市规划等方面具有重要的研究意义和应用价值。不透水面信息内容丰富,信息复杂,加上卫星拍摄时受大气、云层的干扰,给遥感影像中不透水面的信息准确识别和提取带来很大的困扰。虽然随着深度学习在遥感领域的研究取得了突破性的进展,国内外对于遥感影像的不透水面信息识别和提取也取得一定的研究成果,但是在识别的过程中大部分是通过人工手动去判断,降低了工作效率。同时随着城镇化的加速建设,城中村普遍存在,其建筑物杂乱的特性和城市中树木遮挡等因素造成卫星拍摄时不透水面信息提取的精度降低。因此本文针对这种不透水面识别与提取时的低效率、低精度现象,提出一种基于VGGNet改进的卷积神经网络的不透水面提取新方法,并通过封装并基于PIE软件进行二次开发将算法应用到不透水面信息识别与提取系统中。本文研究主要内容和成果如下:(1)构建遥感影像不透水面训练数据集,用于基于VGGNet卷积神经网络的深度学习。结合现有的遥感影像数据库,手动截取房屋、道路、操场及其他类别的多光谱图片,形成了1150个样本数量集,其中尺寸为256*256固定像素大小,其中训练样本908个,测试样本242个。将房屋、道路、操场等作为正样本,其他水体、植被、裸地等作为负样本。(2)提出一种基于改进的VGGNet卷积神经网络的不透水面提取新方法,通过改变模型层级结构,并且对比分析了几种常见的不同卷积神经网络模型在不透水面数据集上的训练效果,通过模型结构调整,构建了一种有输入层-卷积层-池化层-空洞卷积-反池化的卷积神经网络模型,实验表明,本改进模型相对原有的VGGNet以及SVM方法在不透水面提取精度上均有同程度的提高,不仅解决了提取精度低的问题,而且解决了人工效率低下的问题。(3)通过对改进模型进行封装,结合PIE软件进行了二次开发,设计与实现不透水面信息识别与提取系统。
【图文】：

模型,参数,样本

目前使用比较多的网络结构主要有 VGGNet（19 层），AlexNet(8 层)，GoogleNet（ResNet（152 层），大多数新的模型都是根据这几个模型采用新的优化算法，多合上进行改进。在这里我们使用自己构建的遥感影像数据集对这些模型进行训练这几种模型的错误率、学习率曲线和训练时间等，，并进行对比分析，用来选择最透水面识别任务的网络模型。同时为了保证数据一致性，实验中训练的所有模型用到的数据，都是用自己标注规模的数据集。使用了原始数据量的 3/4 作为训练集，其中包括 2/3 的不透水面和 1/3 其他地物的负样本，其余 1/4 的样本数据集作为测试集，正样本和负样本然是 3：1 左右，用来验证神经网络的特征提取结果。将所有数据每次随机抽取次的样本进行训练，所有样本全部完成一次训练就叫做一个训练周期。选取了这经网络分别进行 100 个周期的训练，训练的初始学习率设置为 0.001。同时针对 AlexNet、VGG、GoogLeNet、ResNet 四个模型，分别从具体的结构、层数、卷积核大小等参数进行对比如下图 2-1 所示：

网络模型,提升性,卷积核,错误率

pMind 公司的研究员一起研发的深度卷积神经网络，该模型在 ILSVRC2014 中二名的好成绩，同时将 Top-5 错误率降到 7.3%。。到目前为止，VGGNet 依然来提取图像特征。VGGNet 全部使用 3*3 的卷积核和 2*2 的池化核，通过不断结构来提升性能。模型结构如图 2-2 所示：
【学位授予单位】：河南大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP183;TP751

【参考文献】