衛(wèi)星、飛機(jī)等對(duì)地觀測(cè)系統(tǒng)迅速發(fā)展,大量的遙感影像含有多種地物但不能得到有效利用,針對(duì)這一問(wèn)題,本文提出了采用一種多尺度卷積神經(jīng)網(wǎng)絡(luò)對(duì)遙感影像進(jìn)行多標(biāo)簽分類,以幫助影像的管理和理解。該算法通過(guò)獲取更多語(yǔ)義信息和標(biāo)簽特征來(lái)提高分類精度。實(shí)驗(yàn)基于DLRSD數(shù)據(jù)集與XGBoost算法和基礎(chǔ)網(wǎng)絡(luò)進(jìn)行了比較,且通過(guò)4個(gè)對(duì)比實(shí)驗(yàn)證明該算法有效可行,并對(duì)這些對(duì)比實(shí)驗(yàn)的內(nèi)存及訓(xùn)練時(shí)間進(jìn)行了統(tǒng)計(jì)。相比于XGBoost算法,本研究方法 F2分?jǐn)?shù)高了0.062;相比于基礎(chǔ)網(wǎng)絡(luò),本研究方法 F2分?jǐn)?shù)高了0.088,其中,4個(gè)改進(jìn)分別將F2分?jǐn)?shù)提高了0.008、0.017、0.015、0.048;內(nèi)存及訓(xùn)練時(shí)間對(duì)比中,最后一個(gè)改進(jìn)使訓(xùn)練時(shí)間增加到兩倍左右,其他改進(jìn)對(duì)內(nèi)存和訓(xùn)練時(shí)間改動(dòng)不大。本文提出的多尺度卷積神經(jīng)網(wǎng)絡(luò)方法,雖然訓(xùn)練時(shí)間增加但使遙感影像多標(biāo)簽分類的精度提升很大,具有可操作性。 

【文章來(lái)源】：測(cè)繪與空間地理信息. 2020,43(09)

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

4種方法F2分?jǐn)?shù)的散點(diǎn)圖

基礎(chǔ)網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示，影像在輸入之前被設(shè)置成寬高均為224像素的三通道圖像;接著是5個(gè)卷積層，卷積核的個(gè)數(shù)分別是64、192、384、384、256;第1個(gè)、第2個(gè)卷積層后分別有一個(gè)池化層，且都是最大值池化，最后一個(gè)卷積層后使用全局平均池化就可獲得一個(gè)256維的特征向量;網(wǎng)絡(luò)只有一個(gè)全連接層，輸出維度為17。將sigmoid激活函數(shù)作為分類層的激活函數(shù)，使多標(biāo)簽分類問(wèn)題轉(zhuǎn)化成多個(gè)獨(dú)立的二分類問(wèn)題，在二分類中，一般都是使用0.5作為分類閾值，但并不是所有地物都適合使用0.5作為閾值，所以本研究使用閾值搜索來(lái)代替，即先將閾值設(shè)置為0.05，每次增加0.05進(jìn)行遍歷，找出最高精度時(shí)的閾值進(jìn)行應(yīng)用;損失函數(shù)也替換為sigmoid交叉熵，損失計(jì)算時(shí)先對(duì)每一個(gè)二分類計(jì)算交叉熵，再將它們累加得到最終結(jié)果。損失計(jì)算所用公式如下:

各類標(biāo)簽所對(duì)應(yīng)的圖像

【參考文獻(xiàn)】：
期刊論文
[1]基于CNN特征空間的微博多標(biāo)簽情感分類[J]. 孫松濤,何炎祥.  工程科學(xué)與技術(shù). 2017(03)
[2]相關(guān)信息加權(quán)的自適應(yīng)多標(biāo)簽分類算法[J]. 周浩,李翔,劉功申.  計(jì)算機(jī)應(yīng)用與軟件. 2015(01)
[3]多標(biāo)簽分類器準(zhǔn)確性評(píng)估方法的研究[J]. 秦鋒,黃俊,程澤凱,楊帆.  計(jì)算機(jī)技術(shù)與發(fā)展. 2010(01)



本文編號(hào)：3270754