导读:本文包含了深度信息提取论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:遥感,深度,影像,卷积,神经网络,图像,亮度。
深度信息提取论文文献综述
吴海平,黄世存[1]（2019）在《基于深度学习的新增建设用地信息提取试验研究——全国土地利用遥感监测工程创新探索》一文中研究指出以全国土地利用遥感监测工程积累的几百万个新增建设用地图斑为训练样本,利用卷积神经网络完成深度学习变化检测模型的训练,实现重大工程中新增建设用地信息的自动提取。与人工提取结果进行的对比分析表明,基于深度学习的新增建设用地自动检测技术在全国土地利用遥感监测工程中有很好的适用性,当新增建设用地信息提取查全率达80%左右时,辅以少量的人工干预可大大提高工程实施效率。(本文来源于《国土资源遥感》期刊2019年04期）
李小艳,杨帅,刘玥,管红梅[2]（2019）在《机器人用双目视觉的深度信息提取》一文中研究指出机器人用双目立体视觉是从两个角度观察同一个景物,以获取不同视角下的感知图像,通过成像几何原理计算图像像素之间的位置偏差来获取景物的叁维信息。双目立体视觉系统包括,双目摄像机标定,特征提取以及特征匹配,本文提出一种伪彩色方法表示出物体的深度信息,不同的颜色代表不同的深度信息,实现了深度信息的有效识别。(本文来源于《科技创新导报》期刊2019年22期）
王迪[3]（2019）在《深度卷积神经网络在湿地类型信息提取中的应用研究》一文中研究指出高分辨率遥感影像能够详细的描述地面物体的细节信息和复杂程度,与中低分辨率遥感影像相比,其在地物纹理、形状、光谱特征等方面都有更出色的表现,因此被广泛应用于地物分类、地表观测、自然资源动态监测等领域。而针对中低分辨率遥感影像的基于像元的分类方法和浅层机器学习算法无法满足高分辨率遥感影像的分类需求,如何使高分辨率遥感影像的分类效率和精度得到提高,已成为当前研究的热点。随着计算机性能的不断提高与人工智能的深入发展,大批学者已将深度学习方法应用于各个领域。研究表明,深度学习方法能够有效解决海量影像分类判别等前沿问题,为基于深度学习方法对高分辨率遥感影像的分类研究提供了可靠支撑。近年来,深度卷积神经网络作为深度学习模型,在图像识别领域实现了重大突破。其核心思想是利用模型局部感受野、权值共享、池化操作等结合起来,优化网络,使其具有一定程度的平移、缩放、扭曲变形等的不变性。本文基于深度卷积神经网络模型,提取了高分辨率遥感影像的湿地类型信息,更好的表达深度特征,挖掘地物信息。本文主要研究内容包括:(1)研究遥感影像传统监督分类与非监督分类方法;对深度学习方法进行研究,从网络结构、参数设置等方面对深度卷积神经网络进行分析;将传统分类方法与深度卷积神经网络分类方法进行比较分析。(2)以黑龙江公别拉河国家级自然保护区为研究区,基于2018年6月高分二号(GF-2)多光谱遥感影像数据。对湿地类型信息进行面向对象的多尺度分割,对20、30、40、50、100、150六种分割尺度进行比较,确定最佳分割效果。(3)将分割后的湿地类型信息通过深度卷积神经网络模型,构建深度网络结构、调整模型参数,实现自动识别和信息提取。通过对训练集和验证集以外的测试样本进行自动分类,获得较高精度的分类结果,体现了模型对数据特征学习的泛化能力。研究结果表明,深度卷积神经网络作为一种深层结构模型,能更深入的挖掘地物信息,表达深度特征。通过遥感影像多尺度分割结合深度卷积神经网络对影像信息进行自动识别、提取,可以获得更高的分类精度和分类效率。证明了卷积神经网络应用于高分辨率遥感影像分类的可行性和可靠性。(本文来源于《哈尔滨师范大学》期刊2019-06-01）
张晓男[4]（2019）在《基于深度学习的光学遥感影像信息提取技术研究》一文中研究指出遥感技术是20世纪60年代兴起的现代探测技术,几十年来为土地利用分析,农业病虫害监测、城市规划等民用领域提供了稳定、详细的数据来源。对军事目标检测、战场环境仿真等军用领域有着更为重要的意义。经过多年的发展,遥感技术在提高空间分辨率、时间分辨率、光谱分辨率等关键技术环节中取得了巨大的进步,已经形成了高光谱、高空间分辨率、全天时、全天候的对地观测能力。随着叁个分辨率的不断提高,遥感数据量爆炸式增长,如何快速有效的提取遥感数据中的信息,减少信息冗余,提高信息利用率成为亟待解决的问题。尤其是近些年,随着国内外高分辨率遥感卫星的蓬勃发展,高分辨光学遥感影像数据量以每天TB级的数量日益增多,对高分辨光学遥感影像进行自动信息提取成为市场关注、研究者关心的研究热点。作为2013年世界十大突破性技术,深度学习在图形处理器和机器学习理论的支持之下取得了多个领域的突破性进展,尤其是图像分类、目标检测、语义分割、视频分析、语音识别、机器翻译、自动驾驶等领域的表现远远超过了之前所有非深度学习的各类方法,成为图像处理、文本处理、语音处理方向的一大利器。深度学习本质上是通过包含极多参数的人工神经网络对复杂的高维函数进行拟合的过程。经过实验验证,深层的人工神经网络对图像或者序列数据的特征抽象能力极强,另外新型的图像处理器的快速计算能力为深度学习技术的发展提供了必要条件。经过充分训练的深度学习模型可以快速执行模型定义的功能,执行速度快、泛化能力强、稳定性强成为其他方法无法比拟的优点。使用深度学习技术对高分辨光学遥感影像进行信息提取成为近两年相关研究者们普遍采取的方法,在遥感场景分类、遥感目标检测、遥感影像描述、遥感影像分割等领域取得了可喜的成就。但是也存在一些问题,本文在遥感场景分类、遥感目标检测、遥感影像描述叁个方面进行了探索与尝试,论文研究工作及贡献主要包括以下几个方面:在遥感场景分类研究中,提出了一种基于集成卷积神经网络的遥感影像场景分类方法。使用深层的卷积神经网络对光学遥感场景影像进行分类处理时,需要消耗大量运行时间以获取较高分类准确率,减少网络的层数可以提高分类速度,但同时会降低准确率。为了同时发挥浅层网络速度快和深层网络准确率高的优势,提高遥感影像场景分类的效率,提出了一种基于集成卷积神经网络的遥感影像场景分类算法。首先,构建反向传播网络,完成场景图像的复杂度度量,然后,根据图像的复杂度级别,自适应选择适合其复杂度的卷积神经网络。最后,利用该卷积神经网络对图像进行分类,完成遥感影像场景分类过程。使用所提出的算法在分类精度和分类速度上都有所提升。在遥感目标检测研究中,提出了一种快速检测多类旋转目标的检测方法。对遥感影像进行目标检测时,现存的很多算法的检测框都是与图像的横纵轴相平行的经典检测框,当检测油罐、飞机这些边界近似于正方形的目标时没有什么问题,但是当检测舰船、港口这些细长的目标时,经典检测框往往会框定出很多无关区域,甚至影响目标的召回率,有些研究者针对舰船提出了相应的旋转目标检测方法,但是存在检测目标类别单一,检测速度慢等问题,为此本文基于YOLO设计了一种能够同时检测15类目标并标识旋转框的检测模型。在遥感影像描述研究方面,相关的研究相对较少,本文基于自然图像描述算法设计了一种结合注意力机制、卷积神经网络、循环神经网络的遥感影像描述方法。通过特征融合的方式对图像特征抽取部分进行了改进,注意力机制的加入使得使用循环神经网络生成描述语句时,模型可以自动关注与生成的单词有关的图像区域。该方法在多个评价指标的评估得分上均取得了进步。(本文来源于《中国科学院大学(中国科学院长春光学精密机械与物理研究所)》期刊2019-06-01）
曹留霞[5]（2019）在《基于深度学习算法的绿地信息提取及应用研究》一文中研究指出遥感影像所包含的信息丰富,如何利用遥感影像快速、准确地提取地类信息,是遥感技术应用的关键问题之一。绿地信息是城市规划、生态环境监测和治理所需的重要信息。利用遥感影像提取绿地信息时,传统算法的提取精度往往不能满足实际需要,且容易出现错分和漏分现象。随着遥感技术和计算机技术的快速发展,人工智能在遥感影像信息提取中的应用越来越广。如何利用人工智能技术快速、准确地从遥感影像中提取绿地信息,对于城市规划和生态环境监测具有重要的意义。本文基于深度学习算法,结合卷积神经网络的语义分割方法,开展了利用遥感影像进行绿地信息提取的研究。论文的主要研究内容及结论如下:(1)学习和总结了深度学习算法,对卷积神经网络中常用的语义分割算法进行了研究,对FCN、VGG、SegNet和U-Net模型进行探讨,对比分析这些模型的优缺点,为后续研究做准备。(2)论文利用VGG网络的结构,结合U-Net模型,构建了基于VGG结构的U-Net模型的深度学习算法。论文在分析常用的FCN、VGG、SegNet和U-Net模型优缺点的基础上,结合U-Net模型提取精度高且参数计算量低而VGG16模型有利于特征提取但是参数计算量较大的特点,对深度学习的语义分割算法进行改进,构建了基于VGG结构的U-Net模型的深度学习算法。论文将本文构建的模型和常用的FCN、SegNet、U-Net模型开展实验对比分析研究,实验结果表明:基于VGG结构的U-Net模型的绿地信息提取精度优于其它几个模型。(3)在对常用激活函数分析研究的基础上,结合TReLU和ReLU激活函数的优点,构建了针对VGG结构的U-Net模型的组合激活函数。该组合激活函数主要是通过交替使用TReLU和ReLU两个函数来使模型的非线性增强,并通过对参数调整来对负半轴非饱和区间进行控制,从而得到需要的激活值。实验结果表明,该组合激活函数优于其它的常用激活函数,该组合激活函数具有软饱和性及缓解梯度消失的特点,且对噪声也具有更好的鲁棒性。(4)论文采用TReLU和ReLU组合激活函数,结合基于VGG结构的U-Net模型的深度学习算法,用于绿地信息提取研究,构建了基于VGG结构的U-Net模型的绿地信息提取方法。论文对本文构建的绿地信息提取方法和传统的绿地信息提取方法开展了实例对比分析研究,实验结果表明:本文构建的基于VGG结构的U-Net模型的绿地信息提取方法的提取精度更高。(本文来源于《贵州大学》期刊2019-06-01）
梁泽毓[6]（2019）在《基于深度学习的多源遥感水体信息提取方法及其应用研究》一文中研究指出地表水体是地球水资源的重要组成部分,对其进行快速、有效地监测对于地球生态平衡与稳定有着至关重要的作用。相比较于传统现场测量的方法,遥感技术监测尺度广、时效性高,被广泛应用于地表水体提取、动态演变监测等。目前遥感水体提取方法主要有目视解译、波段计算法、光谱监督分类法、决策树分类法等,存在需专家经验、效率低、自动化程度不高、泛化能力弱等问题,难以实现大范围遥感水体信息的快速监测。深度学习由于具有数据特征“自学习”的特性,且可对高维图像数据进行更有效的特征提取与拟合,在多波段遥感影像信息提取问题上具有较强的适用性,目前已成为遥感图像信息提取的有效途径。本文针对遥感水体信息提取问题,利用深度学习创新性地在全卷积网络中引入了密集连接结构,缓解了一般网络中数据浅层特征丢失的问题,加强了网络对图像特征的抽取能力,提高了对遥感影像中细节水体的敏感程度,实现了更优的水体提取效果;并选取长江(安徽段)为研究区,将深度学习方法应用于实际遥感水体提取任务中,实现水体时空演变和生态岸线变化数据的自动化获取,为“长江大保护”提供数据支持与技术支撑。本文具体结论如下:(1)本文方法从实际实验结果中看,提取结果基本接近人工目视解译结果,可满足一般遥感水体信息提取的精度需求;实验结果表明:本文方法水体提取结果的像元精度达到96.3%,均交并比达到91.1%,斑块漏检率约为0,水体边界长度和面积精度分别达到95.8%和98.5%,相比于传统NDWI法、光谱监督分类法、决策树方法均有提升;此外,实验中本文方法表现出常规遥感方法所不具备的泛化性优势,意味着本文方法一定程度上突破了常规遥感方法在遥感影像传感器、空间分辨率、时间、位置等因素上的限制,并且在方法效率与自动化程度上本文方法也明显由于常规遥感方法,实现了遥感影像水体提取自动化、智能化与一体化,极大增强了方法实用性,为相关地表水体研究提供技术支持;(2)应用本文方法对长江(安徽段)2013-2018年秋冬季Landsat8 OLI影像和2018年丰、枯水期哨兵2号影像进行水体提取,获取到精确的水体与岸线数据;通过从长江干流水域面积、南北岸线长度两方面进行统计与分析得出:总体在年际上,长江(安徽段)干流在2013年至2018年10月份的水域面积和岸线长度变化趋势基本一致,均表现为除2017年由于芜湖段江水于江边湖泊连通导致面积与岸线长度增加外,其余年份基本稳定,面积最大波动幅度约60km2,南北岸线长度最大波动幅度分别为57km和16km;从景观指数变化上看,2013年至2018年间,长江(安徽段)5km缓冲区范围内水体景观破碎化、不规则程度总体呈上升趋势;从丰、枯水期变化上看,2018年丰水期长江(安徽段)面积比枯水期增长约92km2,丰水期南、北岸线比枯水期分别增长20km、25km。面积与岸线变化主要由长江江中洲周边滩涂及江边岸线随水位的变化造成,此外水位变化致使滩涂变化而造成的长江支流阻塞情况及干流与江边湖泊的连通情况也是造成长江干流变化的原因之一。(本文来源于《安徽大学》期刊2019-05-01）
彭博[7]（2019）在《基于深度学习的遥感图像道路信息提取算法研究》一文中研究指出针对遥感图像中信息的复杂性和地物类型的多样性,利用深度学习强大的特征表达能力与遥感图像的大数据量、高空间分辨率等特点,研究如何提高遥感图像中复杂信息提取的精度是迫切需要解决的问题。利用遥感图像提取道路信息的研究已经开展了很多年,但是,由于不同等级道路具有不同的宽度和形状特征,如国道、省道、村道以及山路等;不同材质道路具有不同的颜色和纹理特征,如水泥、沥青、土路等;同时,道路区域被建筑、树木、道路中央绿化带遮挡等诸多因素影响,使得道路信息的精确提取仍然是遥感信息提取领域的研究前沿和与技术难点。本文利用深度学习方法构建遥感图像道路信息自动提取模型,提出实验结果后处理方法,并研制遥感图像道路信息自动提取原型系统。具体研究内容和成果如下:(1)研究和改进了用于提取高分辨率遥感图像道路信息的深度学习网络模型。针对D-LinkNet遥感图像道路提取结果精度问题以及网络规模太大难以应用的缺陷,基于D-LinkNet网络结构,本文提出了使用DenseNet、改进的DenseNet、改进的ResNet分别构建新的编码结构,构建新的网络模型DenseNetPlus、DDenseNetPlus、DLinkNetPlus;并针对D-LinkNet中空洞卷积结构,通过引入bottleneck结构减少模型参数,构建B-DLinkNetPlus模型。同时针对不同等级道路宽度不一致问题,提出了融合多尺度生成对抗网络GAN-Unet改进模型。(2)针对遥感图像道路提取结果中出现的独立散点和斑块,提出了道路提取结果后处理方法Eliminate Small Independent Patches(ESIPs)。该方法首先检测连通区域及其外接矩形,通过判断连通区域像素点数量、判断其外接矩形长宽比、连通区域像素点数量与外接矩形面积比叁个条件,根据串联判别结果决定是否消除该连通区域。通过该方法能有效的消除遥感图像道路检测结果中出现的独立散点和斑块,使得提取的道路区域更具有整体性,拥有更好的视觉效果。(3)基于上述算法模型,研制遥感图像道路信息自动提取原型系统,该系统具有遥感图像打开、缩放、漫游、保存等基础功能模块,还集成了本文提出的所有遥感图像道路提取模型以及道路提取结果后处理方法,方便快捷实现遥感图像道路自动化提取。(本文来源于《电子科技大学》期刊2019-04-01）
陈磊士,赵俊叁,董智文,朱褀夫[8]（2018）在《基于深度学习的滇中城市多光谱影像建设用地信息提取》一文中研究指出为准确、高效地获取城市建设用地信息,利用目前应用广泛的深度学习技术对该领域的提取效果进行对比。选用曲靖市主城区作为研究区域,以Landsat8OLI_TIRS多光谱影像为原始数据,使用卷积神经网络和BP神经网络两种分类器对影像进行城市建设用地信息提取。使用对象个数、对象面积和地表覆被吻合度3项评价方法提取精度。结果表明,应用卷积神经网络模型的城市建设用地提取具有最高精度,其测试集精度依次达到了92.99%、94.78%和89.64%,均高于常用的BP神经网络。因此,基于卷积神经网络的多光谱影像建设用地提取方法是准确获取城市建设用地信息的一种可行方法,为滇中城市建设用地提取研究提供了参考。(本文来源于《软件导刊》期刊2018年11期）
顾婷婷,赵海涛,孙韶媛[9]（2018）在《基于帧间信息提取的单幅红外图像深度估计》一文中研究指出针对红外图像存在纹理信息不丰富和边缘信息较少导致深度估计精度难以提高的问题,本文设计一种深层神经网络估计红外图像的深度,该网络融合了一个二维(2D)残差神经网络和一个叁维(3D)卷积神经网络。传统单幅红外图像的深度估计方法遗漏了帧间信息,容易出现物体轮廓模糊甚至丢失的情况。在2D和3D网络输入端分别加入稠密光流和前后帧图像。进一步将3D卷积网络提取的视频特征与2D残差网络的特征图做权值连接。不同于传统神经网络的全连接层,全卷积层突破了输入图片的尺寸限制。实验结果表明,本文提出的红外图像深度估计方法具有较高的精度,估计出的物体轮廓更清晰完整。(本文来源于《激光与光电子学进展》期刊2018年06期）
冯帆,马杰,岳子涵,沈亮[10]（2017）在《图像亮度线索下的单目深度信息提取》一文中研究指出目的深度信息的获取是3维重建、虚拟现实等应用的关键技术,基于单目视觉的深度信息获取是非接触式3维测量技术中成本最低、也是技术难度最大的手段。传统的单目方法多基于线性透视、纹理梯度、运动视差、聚焦散焦等深度线索来对深度信息进行求取,计算量大,对相机精度要求高,应用场景受限,本文基于固定光强的点光源在场景中的移动所带来的物体表面亮度的变化,提出一种简单快捷的单目深度提取方法。方法首先根据体表面反射模型,得到光源照射下的物体表面的辐亮度,然后结合光度立体学推导物体表面辐亮度与摄像机图像亮度之间的关系,在得到此关系式后,设计实验,依据点光源移动所带来的图像亮度的变化对深度信息进行求解。结果该算法在简单场景和一些日常场景下均取得了较好的恢复效果,深度估计值与实际深度值之间的误差小于10%。结论本文方法通过光源移动带来的图像亮度变化估计深度信息,避免了复杂的相机标定过程,计算复杂度小,是一种全新的场景深度信息获取方法。(本文来源于《中国图象图形学报》期刊2017年12期）
深度信息提取论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
机器人用双目立体视觉是从两个角度观察同一个景物,以获取不同视角下的感知图像,通过成像几何原理计算图像像素之间的位置偏差来获取景物的叁维信息。双目立体视觉系统包括,双目摄像机标定,特征提取以及特征匹配,本文提出一种伪彩色方法表示出物体的深度信息,不同的颜色代表不同的深度信息,实现了深度信息的有效识别。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
深度信息提取论文参考文献
[1].吴海平,黄世存.基于深度学习的新增建设用地信息提取试验研究——全国土地利用遥感监测工程创新探索[J].国土资源遥感.2019
[2].李小艳,杨帅,刘玥,管红梅.机器人用双目视觉的深度信息提取[J].科技创新导报.2019
[3].王迪.深度卷积神经网络在湿地类型信息提取中的应用研究[D].哈尔滨师范大学.2019
[4].张晓男.基于深度学习的光学遥感影像信息提取技术研究[D].中国科学院大学(中国科学院长春光学精密机械与物理研究所).2019
[5].曹留霞.基于深度学习算法的绿地信息提取及应用研究[D].贵州大学.2019
[6].梁泽毓.基于深度学习的多源遥感水体信息提取方法及其应用研究[D].安徽大学.2019
[7].彭博.基于深度学习的遥感图像道路信息提取算法研究[D].电子科技大学.2019
[8].陈磊士,赵俊叁,董智文,朱褀夫.基于深度学习的滇中城市多光谱影像建设用地信息提取[J].软件导刊.2018
[9].顾婷婷,赵海涛,孙韶媛.基于帧间信息提取的单幅红外图像深度估计[J].激光与光电子学进展.2018
[10].冯帆,马杰,岳子涵,沈亮.图像亮度线索下的单目深度信息提取[J].中国图象图形学报.2017
论文知识图
