針對傳統(tǒng)極化合成孔徑雷達(dá)圖像分類中特征提取不完整、特征表征性不夠強(qiáng)、分類中干擾雜質(zhì)較多等問題,該文提出了一種基于Deeplab模型的極化合成孔徑雷達(dá)圖像地物分類方法。實(shí)驗(yàn)通過在荷蘭地區(qū)數(shù)據(jù)上對田野、植被、建筑區(qū)、水域、山體5類進(jìn)行分類,然后在歐洲其他區(qū)域進(jìn)行了算法評價。與傳統(tǒng)的結(jié)合條件隨機(jī)場的FCN-8s特征分類模型相比,該文方法能夠提取更高效的底層特征,得到更高的分類精度、Kappa系數(shù)和總體精度。該方法不僅能在山體上提高10%左右的分類精度,而且能在這5類以外的類別摻雜情況,保證模型良好的魯棒性。

【文章頁數(shù)】：8 頁

【部分圖文】：

圖1 Vgg網(wǎng)絡(luò)基本單元(單位:像素)

VggNet通過A-E過程得3像素×3像素卷積核和2像素×2像素池化核不斷加深網(wǎng)絡(luò)深度來提高性能。如圖1～圖3所示,通過13層的3像素×3像素卷積后連接3層全連接構(gòu)造出Vgg-16模型,兩個3像素×3像素卷積層串聯(lián)起來代替AlexNet中的5像素×5像素卷積層。ResNet提出了....

圖2 Vgg網(wǎng)絡(luò)整體結(jié)構(gòu)(單位:像素)

圖1Vgg網(wǎng)絡(luò)基本單元(單位:像素)圖3ResNet基本單元結(jié)構(gòu)(單位:像素)

圖3 ResNet 基本單元結(jié)構(gòu)(單位:像素)

圖2Vgg網(wǎng)絡(luò)整體結(jié)構(gòu)(單位:像素)2Deeplab網(wǎng)絡(luò)結(jié)構(gòu)

圖4 普通卷積與空洞卷積結(jié)構(gòu)

空洞卷積實(shí)際上是對原圖進(jìn)行采樣的過程[9-10],采樣頻率根據(jù)參數(shù)空洞大小(rate)來設(shè)定。如果rate=1時,原圖采樣時不丟失任何信息即標(biāo)準(zhǔn)卷積操作;如果rate>1時,在原始數(shù)據(jù)上每隔(rate-1)個像素采樣,就會增大感受野的范圍,具體區(qū)別如圖4所示。定義Z2→R,然后設(shè)....

本文編號：4039521