本文選題：遙感圖像　切入點(diǎn)：深度信念網(wǎng)絡(luò)　出處：《地質(zhì)科技情報(bào)》2017年04期

【摘要】：高分辨率遙感影像具有高維、多尺度、非平穩(wěn)的內(nèi)部特性和海量、多源、異構(gòu)的外部特征,具有豐富的空間信息。探討了利用新興的深度信念網(wǎng)絡(luò)研究高分辨率遙感影像的智能提取與分類,通過大量實(shí)驗(yàn)對比分類精度、Kappa系數(shù)以及參數(shù)敏感度分析,提出了網(wǎng)絡(luò)層數(shù)、隱含層神經(jīng)元個數(shù)、迭代次數(shù)等參數(shù)的最優(yōu)設(shè)置方案,相比傳統(tǒng)的淺層網(wǎng)絡(luò)分類器,改進(jìn)后的深度信念網(wǎng)絡(luò)更好地?cái)M合了樣本的內(nèi)在結(jié)構(gòu),遙感圖像分類精度達(dá)到92%左右,取得了很好的分類效果。
[Abstract]:High-resolution remote sensing images have high dimensional, multi-scale, non-stationary internal characteristics and massive, multi-source, heterogeneous external features, with rich spatial information.This paper discusses the intelligent extraction and classification of high resolution remote sensing images by using the new depth belief network. By comparing the classification accuracy and the sensitivity of the Kappa coefficients with a large number of experiments, the number of network layers and the number of neurons in the hidden layer are proposed.Compared with the traditional shallow network classifier, the improved depth belief network fits the internal structure of the sample better, and the classification accuracy of remote sensing image reaches about 92%, and the classification effect is very good.
【作者單位】： 湖北省地圖院;武漢光谷北斗地球空間信息產(chǎn)業(yè)股份公司;
【分類號】：TP751

【參考文獻(xiàn)】

相關(guān)期刊論文 前5條

1 張浩;趙云勝;陳冠宇;張春苑;;基于支持向量機(jī)的遙感圖像建筑物識別與分類方法研究[J];地質(zhì)科技情報(bào);2016年06期

2 陳冠宇;李向;王嶺玲;;基于大數(shù)據(jù)的遙感圖像植被識別方法[J];地質(zhì)科技情報(bào);2016年03期

3 陳冠宇;安凱;李向;;基于卷積神經(jīng)網(wǎng)絡(luò)的不良地質(zhì)體識別與分類[J];地質(zhì)科技情報(bào);2016年01期

4 王秋全;李向;王嶺玲;;基于不良地質(zhì)識別的分類方法研究與分析[J];地質(zhì)科技情報(bào);2014年06期

5 高常鑫;桑農(nóng);;基于深度學(xué)習(xí)的高分辨率遙感影像目標(biāo)檢測[J];測繪通報(bào);2014年S1期

相關(guān)碩士學(xué)位論文 前1條

1 朱宏吉;基于深度信念網(wǎng)絡(luò)的車牌字符識別算法研究與實(shí)現(xiàn)[D];浙江大學(xué);2015年

【共引文獻(xiàn)】

相關(guān)期刊論文 前9條

1 徐麗坤;劉曉東;向小翠;;基于深度信念網(wǎng)絡(luò)的遙感影像識別與分類[J];地質(zhì)科技情報(bào);2017年04期

2 王愛芳;王妮;;結(jié)合灰度紋理和支持向量機(jī)分類的三江源草地信息提取[J];安徽農(nóng)業(yè)科學(xué);2017年13期

3 杜敬;;基于深度學(xué)習(xí)的無人機(jī)遙感影像水體識別[J];江西科學(xué);2017年01期

4 司朋舉;胡偉;;深度學(xué)習(xí)在仿生眼監(jiān)控系統(tǒng)中的應(yīng)用[J];測控技術(shù);2016年12期

5 張浩;趙云勝;陳冠宇;張春苑;;基于支持向量機(jī)的遙感圖像建筑物識別與分類方法研究[J];地質(zhì)科技情報(bào);2016年06期

6 歐陽穎卉;林，

本文編號：1726472