土地利用信息是國土資源管理的基礎(chǔ)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(zhǔn)確的土地利用分類方法。目前應(yīng)用較廣的面向?qū)ο蟮姆诸惙椒▽?duì)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(xué)習(xí)與深度卷積神經(jīng)網(wǎng)絡(luò)(deep convolutional neural network,DCNN)的多尺度神經(jīng)網(wǎng)絡(luò)(multi-scale neural network,MSNet)模型,基于殘差網(wǎng)絡(luò)構(gòu)建了100層編碼網(wǎng)絡(luò),通過并行輸入實(shí)現(xiàn)輸入圖像的多尺度學(xué)習(xí),利用膨脹卷積實(shí)現(xiàn)特征圖像的多尺度學(xué)習(xí),設(shè)計(jì)了一種端到端的分類網(wǎng)絡(luò)。以浙江省0.5 m分辨率的光學(xué)航空遙感圖像為數(shù)據(jù)源進(jìn)行了實(shí)驗(yàn),總體分類精度達(dá)91.97%,并將其與傳統(tǒng)全卷積網(wǎng)絡(luò)(fully convolutional networks,FCN)方法和基于支持向量機(jī)(support vector machine,SVM)的面向?qū)ο蠓椒ㄟM(jìn)行了對(duì)比,結(jié)果表明,本文所提方法分類精度更高,分類結(jié)果整體性更強(qiáng)。

【文章頁數(shù)】：9 頁

【部分圖文】：

圖2MSNet模型總體結(jié)構(gòu)

基于多尺度學(xué)習(xí)和DCNN，構(gòu)建了MSNet模型。其總體結(jié)構(gòu)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(gè)卷積層組成的編碼網(wǎng)絡(luò)，以及由4個(gè)膨脹卷積層和1個(gè)上采樣層組成的分類預(yù)測網(wǎng)絡(luò)，圖2中標(biāo)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(shí)輸入3個(gè)....

圖4殘差塊結(jié)構(gòu)

本文應(yīng)用的殘差塊結(jié)構(gòu)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(biāo)準(zhǔn)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(fù)雜組成

在高分辨率遙感圖像中，相對(duì)于地物，土地利用類型是更抽象的高層語義類別，相當(dāng)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(fù)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(xué)習(xí)中傳統(tǒng)FCN方法和高分辨率遙感圖像應(yīng)用較多的基于SVM的面向?qū)ο蠓椒ㄟ@2種較具代表性的圖像分類方法進(jìn)行對(duì)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(jìn)行搭建和訓(xùn)練；基于SVM的面向?qū)ο蠓椒ㄓ靡卓礶Cognit....

本文編號(hào)：3924944