遙感影像地表覆蓋分類是地理國情監(jiān)測和地理信息資源建設中至關重要的環(huán)節(jié),利用卷積神經(jīng)網(wǎng)絡對遙感影像進行特征提取和分類,具有十分重要的科研和應用價值。為提高遙感影像的地表覆蓋分類精度,在深度卷積神經(jīng)網(wǎng)絡VGGNet的基礎上,采用SeLU函數(shù)作為激活函數(shù),并將激活函數(shù)中的λ、α作為訓練參數(shù),得到改進的VGGNet,用逐層貪婪算法對網(wǎng)絡參數(shù)初始化,并選擇適當?shù)膶W習次數(shù)利用遷移學習的方法對網(wǎng)絡參數(shù)調(diào)整,以提高網(wǎng)絡的泛化能力來提取遙感影像各類別的深層特征,從而有效進行地表覆蓋分類。通過GF-1衛(wèi)星影像的實驗表明本文方法在地表覆蓋分類精度方面的優(yōu)越性。 

【文章來源】：地理信息世界. 2020,27(05)

【文章頁數(shù)】：7 頁

【部分圖文】：

人工神經(jīng)網(wǎng)絡結(jié)構

VGGNet有2個比較有名的模型,分別是VGG-16和VGG-19,由于二者的分類精度比較接近,本文選用模型參數(shù)較少且提取特征速度較快的VGG-16模型進行實驗。本文所用VGG-16模型的結(jié)構和參數(shù)如圖2和表1所示,包括5個卷積組和3個全連接層,每個卷積組又包括2～3個卷積層,卷積核的感受野窗口大小為3×3×通道數(shù),每個卷積層都利用激活函數(shù)將輸出值映射到下一個卷積層,每個卷積組后接一個步長為2的2×2池化層進行下采樣,最后一個卷積層后接3個全連接層,再接1個softmax歸一化指數(shù)函數(shù)分類器。表1 VGG-16模型的詳細參數(shù)表Tab.1 Detailed parameter table of the model VGG-16 特征層 參數(shù)維度 輸入層 Input 224×224×3 卷積層 Conv1＿1 224×224×64 Conv1＿2(+Maxpool) 112×112×128 Conv2＿1 112×112×128 Conv2＿2(+Maxpool) 56×56×128 Conv3＿1 56×56×256 Conv3＿2 56×56×256 Conv3＿3 (+Maxpool) 28×28×256 Conv4＿1 28×28×256 Conv4＿2 28×28×512 Conv4＿3 (+Maxpool) 14×14×512 Conv5＿1 14×14×512 Conv5＿2 14×14×512 Conv5＿3 (+Maxpool) 7×7×512 全連接層 Fc6 1×1×409 6 Fc7 1×1×409 6 Fc8 1×1×6 輸出層 Output 1×1×6

通過以上激活函數(shù)可以分析得出,Sigmoid函數(shù)和Tanh函數(shù)為飽和非線性函數(shù),會產(chǎn)生梯度爆炸或梯度消失的問題,收斂速度較慢;ReLU函數(shù)不存在梯度消失問題,且當x≥0時,激活函數(shù)的導數(shù)f"(x)恒為1,激活函數(shù)收斂速度快,但當x<0時f"(x)為0,阻斷了誤差反向傳播,且ReLU函數(shù)訓練時很“脆弱”,在大梯度流經(jīng)ReLU函數(shù)更新參數(shù)后,便不會對任何數(shù)據(jù)有激活現(xiàn)象;Leaky-ReLU函數(shù)是ReLU函數(shù)的改進型,用來解決ReLU函數(shù)的負軸信息全部丟失的問題;SeLU函數(shù)圖像如圖3所示,不會出現(xiàn)梯度爆炸或者消失的問題,且正軸f"(x)大于1,在方差過小時讓它增大,加快收斂速度,同時負軸信息也可以保留,并且SeLU函數(shù)中的λ、α可以作為待解參數(shù),使得每一層的激活函數(shù)有所差異,提高了卷積層間的差異性,降低神經(jīng)元之間復雜的互適應關系,從而實現(xiàn)抑制過擬合的現(xiàn)象。1.4 VGGNet的網(wǎng)絡參數(shù)及訓練

【參考文獻】：
期刊論文
[1]改進卷積神經(jīng)網(wǎng)絡模型設計方法[J]. 張濤,楊劍,宋文愛,郭雁蓉.  計算機工程與設計. 2019(07)
[2]基于殘差的改進卷積神經(jīng)網(wǎng)絡圖像分類算法[J]. 高磊,范冰冰,黃穗.  計算機系統(tǒng)應用. 2019(07)
[3]基于深度學習AlexNet的遙感影像地表覆蓋分類評價研究[J]. 黨宇,張繼賢,鄧喀中,趙有松,余凡.  地球信息科學學報. 2017(11)
[4]高分辨衛(wèi)星圖像卷積神經(jīng)網(wǎng)絡分類模型[J]. 周明非,汪西莉,王磊,陳粉.  中國圖象圖形學報. 2017(07)
[5]機器學習法在面向?qū)ο笥跋穹诸愔械膶Ρ确治鯷J]. 趙丹平,顧海燕,賈瑩.  測繪科學. 2016(10)
[6]地表覆蓋遙感產(chǎn)品更新完善的研究動向[J]. 陳軍,張俊,張委偉,彭舒.  遙感學報. 2016(05)
[7]土地資源遙感應用研究進展[J]. 張增祥,汪瀟,溫慶可,趙曉麗,劉芳,左麗君,胡順光,徐進勇,易玲,劉斌.  遙感學報. 2016(05)
[8]卷積神經(jīng)網(wǎng)絡研究綜述[J]. 李彥冬,郝宗波,雷航.  計算機應用. 2016(09)
[9]地理國情普查中容易混分地表覆蓋類型定量統(tǒng)計與分析[J]. 高志宏,周旭,程滔.  測繪通報. 2015(06)
[10]結(jié)合多分類器的遙感數(shù)據(jù)專題分類方法研究[J]. 柏延臣,王勁峰.  遙感學報. 2005(05)

博士論文
[1]深度卷積神經(jīng)網(wǎng)絡在遙感影像分類的應用研究[D]. 王海軍.中國地質(zhì)大學(北京) 2018

碩士論文
[1]基于深度學習的遙感圖像語義分割方法研究[D]. 林錦發(fā).廣東工業(yè)大學 2019
[2]基于深度遷移學習的圖像分類方法研究[D]. 姚旭晨.合肥工業(yè)大學 2019
[3]基于深度卷積神經(jīng)網(wǎng)絡自學習特征的地表覆蓋分類研究[D]. 張偉.中國科學院大學(中國科學院遙感與數(shù)字地球研究所) 2017



本文編號：3602090