基于双分支网络的遥感场景分类算法研究的开题报告.docx

基于双分支网络的遥感场景分类算法研究的开题报告
一、选题背景
遥感技术的广泛应用使得遥感场景分类逐渐成为了一个重要的研究领域。遥感图像分类是指将遥感图像中的像元分配到不同的类别内，以实现对遥感图像的自动识别和分类。然而，由于遥感图像本身的复杂性，例如光谱波段、时序重叠等，使得当代遥感图像分类算法很难实现高准确率和高鲁棒性。而双分支网络被广泛应用于自然图像分类、人脸识别等领域。因此，本文将探究基于双分支网络的遥感场景分类算法研究。
二、研究意义
传统的遥感图像分类算法多采用传统的机器学习算法，例如支持向量机（SVM）、决策树（DT）、随机森林（RF）等。然而，这些算法在处理较为复杂的遥感图像时，例如在光谱相似度较高、像元类型混杂等情况下，分类效果往往不是很理想。相反，深度学习技术的发展为解决遥感场景分类问题提供了新的思路和方法。
双分支网络是一种前沿的深度学习算法。相对于普通的神经网络，双分支网络在网络结构上增加了分支结构，每个分支对应着不同的特征，能够有效地提升网络的分类准确率。在遥感图像分类领域，双分支网络的应用还比较少，因此本文的研究意义在于探究基于双分支网络的遥感场景分类算法，并验证其分类效果的优劣。
三、研究内容和思路
本文将主要研究基于双分支网络的遥感场景分类算法。具体研究内容包括：
1.了解深度学习的基本思想，建立卷积神经网络（CNN）和双分支网络的模型，并了解这些模型的原理和基本流程；
2.对遥感图像进行预处理，例如去除干扰数据、归一化等；
3.通过搭建双分支网络模型，实现遥感图像分类，并对算法进行实验验证，采用UCMercedLandUse数据集进行实验和分析，得出分类结果；
4.对分类结果进行分析和总结，并与其他已有的遥感图像分类算法进行比较。
四、预期成果
本文的预期成果包括：
1.基于双分支网络的遥感场景分类算法研究报告；
2.基于实验数据的分类结果分析和总结；
3.提供了可供参考的基于双分支网络的遥感场景分类算法实现和源代码。
五、研究计划和进度安排
本文的研究计划和进度安排如下：
第一周：研究深度学习的基本思想和卷积神经网络模型，学习UCMercedLandUse数据集。
第二周：研究双分支网络模型，通过调研相关文献，了解双分支网络模型的原理和基本流程，并掌握其实现方法。
第三周：对UCMercedLandUse数据集进行预处理，并搭建双分支网络模型，开始进行实验。
第四周：实验结果分析和总结，通过与其他已有的遥感图像分类算法进行比较，得出算法的优缺点，完善实验数据和结果。
第五周：实验数据的可视化呈现，编写研究报告和实验代码整理。
六、参考文献
[1]邓蕊,柳春青.基于CNN、SVM的遥感图像分类研究[J].计算机知识与技术,2021,17(3):96-99.
[2]李青博,李彦超,姜鹏凯,等.基于双分支网络的图像分类算法[J].计算机应用研究,2020,37(12):3595-3599.
[3]AlbuquerqueGA,dePaivaTO,dePaivaNetoLE,etal.Aclassificationapproachforremotelysenseddatawithdeeplearning[J].Computersandelectronicsinagriculture,2021,185:106076.