卷積網(wǎng)絡(luò)模型及其在遙感圖像目標(biāo)識(shí)別中的應(yīng)用的任務(wù)書

卷積網(wǎng)絡(luò)模型及其在遙感圖像目標(biāo)識(shí)別中的應(yīng)用的任務(wù)書任務(wù)書一、選題背景遙感技術(shù)是一種應(yīng)用廣泛的技術(shù)，在資源調(diào)查、環(huán)境監(jiān)測(cè)、地形地貌等方面都有著重要的應(yīng)用。在遙感圖像中，目標(biāo)識(shí)別是其中一個(gè)非常重要的應(yīng)用，這對(duì)于植被監(jiān)測(cè)、農(nóng)田管理、水資源管理等具有非常重要的意義。目前，卷積神經(jīng)網(wǎng)絡(luò)（ConvolutionalNeuralNetwork，CNN）成為圖像處理領(lǐng)域中一種非常重要的技術(shù)。它具有層次化的結(jié)構(gòu)、自學(xué)習(xí)特點(diǎn)和較強(qiáng)的非線性擬合能力，在圖像識(shí)別中有非常廣泛的應(yīng)用。因此，本課題旨在應(yīng)用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)，對(duì)遙感圖像中的目標(biāo)進(jìn)行識(shí)別分類。二、任務(wù)要求1.綜合運(yùn)用計(jì)算機(jī)視覺、卷積網(wǎng)絡(luò)算法的相關(guān)知識(shí)與技術(shù)，實(shí)現(xiàn)一種遙感圖像目標(biāo)識(shí)別的分類器模型；2.選取至少兩個(gè)開放數(shù)據(jù)集（如UCMercedLandUseDataset、NWPU-RESISC45等），進(jìn)行實(shí)驗(yàn)測(cè)試，并對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析和評(píng)價(jià)；3.要求模型具有自適應(yīng)學(xué)習(xí)能力，在樣本量較少的情況下仍能高效地進(jìn)行目標(biāo)分類；4.在設(shè)計(jì)模型時(shí)需要考慮到計(jì)算資源的消耗和運(yùn)行時(shí)間的限制，提高模型的運(yùn)行效率；5.寫出實(shí)驗(yàn)報(bào)告，包括設(shè)計(jì)模型的詳細(xì)思路、程序?qū)崿F(xiàn)的過程、實(shí)驗(yàn)結(jié)果的數(shù)據(jù)對(duì)比分析。三、實(shí)驗(yàn)環(huán)境1.深度學(xué)習(xí)框架需使用Keras、TensorFlow、Caffe、PyTorch等至少一種；2.代碼編寫軟件：無特定要求，建議使用Python相關(guān)的編程軟件（如Jupiter、PyCharm等）；3.實(shí)驗(yàn)平臺(tái)：自備計(jì)算機(jī)或使用云計(jì)算平臺(tái)（如GoogleColab、華為云等）。四、時(shí)間安排本課題時(shí)間為1個(gè)月，安排如下：第1周：熟悉卷積神經(jīng)網(wǎng)絡(luò)的基本知識(shí)第2-3周：設(shè)計(jì)并訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)分類器第4周：對(duì)實(shí)驗(yàn)結(jié)果進(jìn)行分析和優(yōu)化，并完成實(shí)驗(yàn)報(bào)告五、參考文獻(xiàn)[1]KrizhevskyA,SutskeverI,HintonGE.Imagenetclassificationwithdeepconvolutionalneuralnetworks[C]//Advancesinneuralinformationprocessingsystems.2012:1097-1105.[2]SimonyanK,ZissermanA.Verydeepconvolutionalnetworksforlarge-scaleimagerecognition[J].arXivpreprintarXiv:1409.1556,2014.[3]HeK,ZhangX,RenS,etal.Deepresiduallearningforimagerecognition[C]//ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2016:770-778.[4]KrizhevskyA.Learningmultiplelayersoffeaturesfromtinyimages[J].2009.[5]SuB,ZhangL,YangM,etal.Collaborativedeeplearningforremotesensingbigdataanalytics[J].IEEETransactionsonGeoscienceandRemoteSensing,2017,55(3):1333-1347.[6]WeiX,ZhangL,WuX,etal.Deepspatialpyramidensembleforremotesensingsceneclassification[J].RemoteSensing,2017,9(4):352.[7]ChenB,ZhangL,DuB,etal.Deepfeaturesforcropclassificationwithmultispectralremotelysensedimagery[J].RemoteSensing,2018,10(9):1324.六、其他注意事項(xiàng)1.在實(shí)