土地利用信息是國土資源管理的基礎和重要依據(jù),隨著高分辨率遙感圖像數(shù)據(jù)的日益增多,迫切需要快速準確的土地利用分類方法。目前應用較廣的面向對象的分類方法對空間特征的利用尚不夠充分,在特征選擇上存在一定的局限性。為此,提出一種基于多尺度學習與深度卷積神經(jīng)網(wǎng)絡(deep convolutional neural network,DCNN)的多尺度神經(jīng)網(wǎng)絡(multi-scale neural network,MSNet)模型,基于殘差網(wǎng)絡構建了100層編碼網(wǎng)絡,通過并行輸入實現(xiàn)輸入圖像的多尺度學習,利用膨脹卷積實現(xiàn)特征圖像的多尺度學習,設計了一種端到端的分類網(wǎng)絡。以浙江省0.5 m分辨率的光學航空遙感圖像為數(shù)據(jù)源進行了實驗,總體分類精度達91.97%,并將其與傳統(tǒng)全卷積網(wǎng)絡(fully convolutional networks,FCN)方法和基于支持向量機(support vector machine,SVM)的面向對象方法進行了對比,結果表明,本文所提方法分類精度更高,分類結果整體性更強。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖2MSNet模型總體結構

基于多尺度學習和DCNN，構建了MSNet模型。其總體結構如圖2所示。該模型包含3條并行輸入流，每條并行輸入流包括由100個卷積層組成的編碼網(wǎng)絡，以及由4個膨脹卷積層和1個上采樣層組成的分類預測網(wǎng)絡，圖2中標示的輸入、輸出數(shù)據(jù)和各特征圖的參數(shù)均為數(shù)據(jù)大小×維度。輸入端同時輸入3個....

圖4殘差塊結構

本文應用的殘差塊結構如圖4所示。以256維的特征層輸入為例，第1層卷積核為1×1、維度為64，此卷積層輸出的特征層被降至64維，使后續(xù)3×3卷積核具有較小的輸入、輸出尺寸瓶頸，經(jīng)批標準化（batchnormalization,BN）層后輸入至ReLU層；第2層卷積核為3×3，....

圖1不同土地利用類型的復雜組成

在高分辨率遙感圖像中，相對于地物，土地利用類型是更抽象的高層語義類別，相當于具有特定含義或按照不同規(guī)則組合的地物。具體來說，各土地利用類型均由大量復雜的地物組成，如建筑區(qū)不僅包括建筑物，還包括建筑區(qū)內(nèi)的部分道路、綠化植被、小型水體和陰影等；耕地不僅包括農(nóng)作物，還包括作物間的裸土、....

圖5研究區(qū)航空遙感圖像

選取深度學習中傳統(tǒng)FCN方法和高分辨率遙感圖像應用較多的基于SVM的面向對象方法這2種較具代表性的圖像分類方法進行對比。其中，MSNet方法和傳統(tǒng)FCN方法使用Python語言和基于谷歌開發(fā)的TensorFlow框架進行搭建和訓練；基于SVM的面向對象方法用易康eCognit....

本文編號：3924944