基于强化学习与关注区机制的遥感影像语义描述网络开题报告

 2020-02-10 10:02

1. 研究目的与意义(文献综述)

1.1研究背景

近年来,深度学习在计算机领域图像识别和自然语言处理等方面展现了优异的性能[1]

2006年在kumar等人[2]实现了卷积神经网络( convolutional neural network,cnn)在gpu上的高效率运行后,cnn的进入了飞速发展阶段。2012年-2015年又有alexnet、vggnet、googlenet、resnet等优秀cnn网络结构被提出[3][4][5][6],并在计算机图像识别领域取得了瞩目的成果,分类精度有了大幅提升。2015年,long等提出了用于图像语义分割的全卷积神经网络( fully convolutional neural network,fcn)[7],其在cnn的结构基础上,采用反卷积层对最后一个卷积层的特征图( feature map)进行上采样,实现了图像像素级类别预测,开辟了图像分割的新领域,成为了图像语义分割方向的热门且经典的网络。其后在fcn基础上衍生出的u-net、deeplab等语义分割网络[8][9],都取得了很好的效果,为图像的实例分割等奠定了基础。

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!

2. 研究的基本内容与方案

2.1研究的基本内容

本研究的主要内容可以分为三部分。首先是遥感深度学习方法分类、分割、自然语言描述的相关概念和基础性理论的研究,包括了研究范畴和时间尺度的界定,文献综述。然后是根据cnn和gap结构,设计并实现网络,并制作或下载遥感数据集进行弱监督目标定位的实验。最后根据初步的定位实验结果,将测试好的cnn-gap网络移植到已有的遥感image caption深度网络上去,测试其在实现关注区的功能上的效果。

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. 研究计划与安排

第一阶段:1月31日-2月15日

查阅相关文献资料,开展初步调研,完成研究设计和开题报告。

第二阶段:2月26日-4月15日

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!

4. 参考文献(12篇以上)

[1]lecun y,bengio y,hinton g. deeplearning[j]. nature,2015,521: 436-444.

[2]chellapilla, k.,puri, s., simard,p.:highperformance convolutional neural networks for document processing.in: tenthinternational workshop on frontiers in handwriting recognition(2006)

[3]krizhevsky a, sutskever i, hinton g e. imagenetclassification with deep convolutional neural networks[c]. internationalconference on neural information processing systems. curran associates inc.2012:1097-1105.

剩余内容已隐藏,您需要先支付 5元 才能查看该篇文章全部内容!立即支付

该课题毕业论文、开题报告、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。