發(fā)布時(shí)間：2021-11-05 14:58

　　針對(duì)人工設(shè)計(jì)的中、低層特征難以實(shí)現(xiàn)復(fù)雜場(chǎng)景影像的高精度分類以及卷積神經(jīng)網(wǎng)絡(luò)依賴大量訓(xùn)練數(shù)據(jù)等問(wèn)題,結(jié)合遷移學(xué)習(xí)與集成學(xué)習(xí),提出了一種聯(lián)合卷積神經(jīng)網(wǎng)絡(luò)與集成學(xué)習(xí)的遙感影像場(chǎng)景分類算法。首先基于遷移學(xué)習(xí)的思想,利用在自然影像數(shù)據(jù)集上訓(xùn)練好的多個(gè)深層卷積神經(jīng)網(wǎng)絡(luò)模型作為特征提取器,提取圖像多個(gè)高度抽象的語(yǔ)義特征;然后構(gòu)建由Logistic回歸和支持向量機(jī)組成的Stacking集成模型,對(duì)同一圖像的多個(gè)特征分別訓(xùn)練Logistic模型,將預(yù)測(cè)概率結(jié)果融合構(gòu)建概率特征;最后利用支持向量機(jī)對(duì)概率特征訓(xùn)練和預(yù)測(cè),得到場(chǎng)景影像的分類結(jié)果。利用UCMerced_LandUse和NWPU-RESISC 45兩種不同規(guī)模的遙感影像數(shù)據(jù)集進(jìn)行試驗(yàn),即使在只有10%的數(shù)據(jù)作為訓(xùn)練樣本情況下,本文方法能夠分別達(dá)到90.74%和87.21%的分類精度。 

【文章來(lái)源】：遙感學(xué)報(bào). 2020,24(06)北大核心EICSCD

【文章頁(yè)數(shù)】：11 頁(yè)

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)基本結(jié)構(gòu)

NWPU-RESISC45數(shù)據(jù)集部分樣本

采用MS-DCNN（許鳳暉等，2016）對(duì)UCMerced＿LandUse數(shù)據(jù)集樣本劃分方法，每類樣本隨機(jī)選取80%作為訓(xùn)練數(shù)據(jù)，其余作為測(cè)試數(shù)據(jù)。為保證試驗(yàn)數(shù)據(jù)的有效性，將數(shù)據(jù)隨機(jī)劃分為5份，任選4份作為訓(xùn)練數(shù)據(jù)，其余一份作為測(cè)試數(shù)據(jù)，進(jìn)行5組試驗(yàn)，并將5組試驗(yàn)結(jié)果的平均值作為最終分類結(jié)果（表6和圖9）。在相同數(shù)據(jù)集及劃分方法下實(shí)驗(yàn)，本文方法總體平均精度達(dá)到98.00%，高于其他基于詞袋模型以及卷積神經(jīng)網(wǎng)絡(luò)的分類算法。如圖9所示，UCMerced＿LandUse數(shù)據(jù)集中大多數(shù)類別的分類準(zhǔn)確率本文方法可以達(dá)到100%，分類精度最差的類別為TSC(tennis courts），同樣可以達(dá)到87%。5 結(jié)論

【參考文獻(xiàn)】：
期刊論文
[1]高分辨率遙感影像場(chǎng)景的多尺度神經(jīng)網(wǎng)絡(luò)分類法[J]. 鄭卓,方芳,劉袁緣,龔希,郭明強(qiáng),羅忠文.  測(cè)繪學(xué)報(bào). 2018(05)
[2]顧及遙感影像場(chǎng)景類別信息的視覺(jué)單詞優(yōu)化分類[J]. 閆利,朱睿希,劉異,莫楠.  遙感學(xué)報(bào). 2017(02)
[3]卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 周飛燕,金林鵬,董軍.  計(jì)算機(jī)學(xué)報(bào). 2017(06)
[4]聯(lián)合顯著性和多層卷積神經(jīng)網(wǎng)絡(luò)的高分影像場(chǎng)景分類[J]. 何小飛,鄒崢嶸,陶超,張佳興.  測(cè)繪學(xué)報(bào). 2016(09)
[5]利用多尺度特征與深度網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行場(chǎng)景分類[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測(cè)繪學(xué)報(bào). 2016(07)
[6]圖像理解中的卷積神經(jīng)網(wǎng)絡(luò)[J]. 常亮,鄧小明,周明全,武仲科,袁野,楊碩,王宏安.  自動(dòng)化學(xué)報(bào). 2016(09)



本文編號(hào)：3478019