1. 本选题研究的目的及意义
随着遥感技术的飞速发展，遥感数据获取能力不断增强，数据量呈爆炸式增长。
海量的遥感数据为地物观测、资源调查、环境监测等领域提供了丰富的信息来源。
然而，如何高效、准确地从这些海量数据中提取有用信息，成为遥感应用面临的巨大挑战。
2. 本选题国内外研究状况综述
近年来，深度学习，尤其是卷积神经网络（cnn）在遥感图像分类领域受到越来越多的关注。
1. 国内研究现状
国内学者在基于深度学习的遥感数据分类方面取得了一系列进展，特别是在高分辨率遥感影像分类、高光谱遥感影像分类以及面向对象分类等方面。
3. 本选题研究的主要内容及写作提纲
主要内容：
1.研究不同卷积神经网络模型在遥感数据分类中的性能，包括经典的卷积神经网络模型（如lenet、alexnet、vggnet等）以及近年来提出的新型模型（如resnet、densenet等）。
2.对比分析不同模型在分类精度、训练效率、泛化能力等方面的差异，探讨各种模型的优缺点和适用场景。
3.研究不同数据预处理方法对分类结果的影响，例如数据增强、特征提取、维度reduction等，并探讨如何通过数据预处理提高分类精度。
4. 研究的方法与步骤
本研究将采用以下方法与步骤：
1.文献调研:深入研究国内外关于卷积神经网络和遥感数据分类的最新研究成果，了解不同卷积神经网络模型的结构特点、优缺点以及适用场景，掌握遥感数据分类的常用方法和评价指标。
2.数据收集与预处理:收集公开可用的遥感数据，如ucmercedlandusedataset、aid、nwpu-resisc45等，并对数据进行预处理，包括数据格式转换、图像裁剪、数据增强、归一化等操作，以提高数据的质量和数量，为后续的模型训练和测试做好准备。
3.卷积神经网络模型构建:选择合适的卷积神经网络模型，如lenet、alexnet、vggnet、resnet、densenet等，并根据遥感数据的特点对模型进行适当的调整和优化，以构建适合遥感数据分类的卷积神经网络模型。
5. 研究的创新点
本研究的创新点在于：
1.系统比较不同卷积神经网络模型在遥感数据分类中的性能:本研究将系统比较近年来提出的多种卷积神经网络模型在遥感数据分类中的性能，为选择合适的模型提供参考依据。
2.研究数据预处理方法和参数设置对分类结果的影响:本研究将深入研究不同数据预处理方法和参数设置对分类结果的影响，为提高分类精度提供指导。
3.针对特定类型遥感数据，提出改进的卷积神经网络模型:在现有研究的基础上，针对特定类型遥感数据的特点，提出改进的卷积神经网络模型，以进一步提高分类精度。
6. 计划与进度安排
第一阶段 （2024.12~2024.1）确认选题，了解毕业论文的相关步骤。
第二阶段（2024.1~2024.2）查询阅读相关文献，列出提纲
第三阶段（2024.2~2024.3）查询资料，学习相关论文
7. 参考文献（20个中文5个英文）
1. 张永生, 冯永玖, 刘艳, 等. 基于深度卷积神经网络的高分遥感影像分类方法[j]. 中国图象图形学报, 2016, 21(6): 748-759.
2. 赵恒, 陈利军, 周成虎. 基于深度学习的遥感影像分类研究进展[j]. 地球信息科学学报, 2018, 20(2): 174-185.
3. 李庆军, 胡顺石, 周世杰, 等. 基于卷积神经网络的遥感影像场景分类[j]. 测绘科学, 2016, 41(10): 1-6.
