針對人工設(shè)計的中、低層特征難以實現(xiàn)復(fù)雜場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,提取圖像多個高度抽象的語義特征;然后構(gòu)建由Logistic回歸和支持向量機組成的Stacking集成模型,對同一圖像的多個特征分別訓(xùn)練Logistic模型,將預(yù)測概率結(jié)果融合構(gòu)建概率特征;最后利用支持向量機對概率特征訓(xùn)練和預(yù)測,得到場景影像的分類結(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,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。 

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

【文章頁數(shù)】：11 頁

【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UCMerced＿LandUse數(shù)據(jù)集樣本劃分方法，每類樣本隨機選取80%作為訓(xùn)練數(shù)據(jù)，其余作為測試數(shù)據(jù)。為保證試驗數(shù)據(jù)的有效性，將數(shù)據(jù)隨機劃分為5份，任選4份作為訓(xùn)練數(shù)據(jù)，其余一份作為測試數(shù)據(jù)，進(jìn)行5組試驗，并將5組試驗結(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)集及劃分方法下實驗，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,羅忠文.  測繪學(xué)報. 2018(05)
[2]顧及遙感影像場景類別信息的視覺單詞優(yōu)化分類[J]. 閆利,朱睿希,劉異,莫楠.  遙感學(xué)報. 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.  計算機學(xué)報. 2017(06)
[4]聯(lián)合顯著性和多層卷積神經(jīng)網(wǎng)絡(luò)的高分影像場景分類[J]. 何小飛,鄒崢嶸,陶超,張佳興.  測繪學(xué)報. 2016(09)
[5]利用多尺度特征與深度網(wǎng)絡(luò)對遙感影像進(jìn)行場景分類[J]. 許夙暉,慕曉冬,趙鵬,馬驥.  測繪學(xué)報. 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.  自動化學(xué)報. 2016(09)



本文編號：3478019