發(fā)布時(shí)間：2018-08-01 13:01

【摘要】：目的衛(wèi)星圖像往往目標(biāo)、背景復(fù)雜而且?guī)в性肼?因此使用人工選取的特征進(jìn)行衛(wèi)星圖像的分類就變得十分困難。提出一種新的使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行衛(wèi)星圖像分類的方案。使用卷積神經(jīng)網(wǎng)絡(luò)可以提取衛(wèi)星圖像的高層特征,進(jìn)而提高衛(wèi)星圖像分類的識(shí)別率。方法首先,提出一個(gè)包含六類圖像的新的衛(wèi)星圖像數(shù)據(jù)集來解決卷積神經(jīng)網(wǎng)絡(luò)的有標(biāo)簽訓(xùn)練樣本不足的問題。其次,使用了一種直接訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型和3種預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)模型來進(jìn)行衛(wèi)星圖像分類。直接訓(xùn)練模型直接在文章提出的數(shù)據(jù)集上進(jìn)行訓(xùn)練,預(yù)訓(xùn)練模型先在ILSVRC(the Image Net large scale visual recognition challenge)-2012數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練,然后在提出的衛(wèi)星圖像數(shù)據(jù)集上進(jìn)行微調(diào)訓(xùn)練。完成微調(diào)的模型用于衛(wèi)星圖像分類。結(jié)果提出的微調(diào)預(yù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò)深層模型具有最高的分類正確率。在提出的數(shù)據(jù)集上,深層卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到了99.50%的識(shí)別率。在數(shù)據(jù)集UC Merced Land Use上,深層卷積神經(jīng)網(wǎng)絡(luò)模型達(dá)到了96.44%的識(shí)別率。結(jié)論本文提出的數(shù)據(jù)集具有一般性和代表性,使用的深層卷積神經(jīng)網(wǎng)絡(luò)模型具有很強(qiáng)的特征提取能力和分類能力,且是一種端到端的分類模型,不需要堆疊其他模型或分類器。在高分辨衛(wèi)星圖像的分類上,本文模型和對(duì)比模型相比取得了更有說服力的結(jié)果。
[Abstract]:Objective Satellite images often have complex background and noise, so it is very difficult to classify satellite images by using artificially selected features. A new scheme of satellite image classification using convolution neural network is proposed. Convolution neural network can be used to extract the high-level features of satellite images, and thus improve the recognition rate of satellite image classification. Firstly, a new satellite image data set including six kinds of images is proposed to solve the problem of the shortage of labeled training samples in convolutional neural networks. Secondly, a direct training convolution neural network model and three pre-training convolution neural network models are used to classify satellite images. The direct training model is trained directly on the data set proposed in this paper. The pre-training model is pretrained on the ILSVRC (the Image Net large scale visual recognition challenge) -2012 data set and then fine-tuned on the proposed satellite image data set. The fine tuning model is used for satellite image classification. Results the proposed model has the highest classification accuracy. In the proposed data set, the recognition rate of the deep convolution neural network model is 99.50%. On the data set UC Merced Land Use, the recognition rate of the deep convolution neural network model is 96.44%. Conclusion the data set presented in this paper is general and representative. The deep convolution neural network model has strong ability of feature extraction and classification. It is an end-to-end classification model and does not need to stack other models or classifiers. In the classification of high resolution satellite images, the proposed model is more persuasive than the contrast model.
【作者單位】： 陜西師范大學(xué)計(jì)算機(jī)科學(xué)學(xué)院;
【基金】：國家自然科學(xué)基金項(xiàng)目(41171338,41471280,61401265)~~
【分類號(hào)】：TP183;TP391.41

【相似文獻(xiàn)】

相關(guān)期刊論文 前10條

1 ;衛(wèi)星圖像[J];航天器工程;2009年06期

2 ;用“電子顏料”繪制衛(wèi)星圖像[J];成都?xì)庀髮W(xué)院學(xué)報(bào);1992年03期

3 田新利;廖薇;;一種基于衛(wèi)星圖像的特征信息檢測的實(shí)現(xiàn)[J];電腦知識(shí)與技術(shù);2011年31期

4 王麗霞;數(shù)字地球公司快鳥衛(wèi)星圖像[J];航天返回與遙感;2002年01期

5 李朝鋒;;基于混合智能模型的衛(wèi)星圖像公路信息提取研究[J];計(jì)算機(jī)工程;2006年06期

6 陳新兵;楊世植;王先華;喬延利;;基于曲面擬合與廣義總變分的衛(wèi)星圖像盲復(fù)原[J];儀器儀表學(xué)報(bào);2009年09期

7 孫繼銀;王鵬;郭文普;;在IKONOS衛(wèi)星圖像中快速獲取地物高度的研究[J];航空計(jì)算技術(shù);2008年04期

8 林輝;李際平;莫登奎;;QuickBird衛(wèi)星圖像信息識(shí)別[J];中國圖象圖形學(xué)報(bào);2005年12期

9 李曉博;周詮;;基于混沌和斜變換的衛(wèi)星圖像抗壓縮隱藏傳輸[J];計(jì)算機(jī)工程與設(shè)計(jì);2013年07期

10 余燁;劉曉平;Bill P.Buckles;;基于數(shù)據(jù)融合的居民區(qū)建筑物重建方法研究[J];電子學(xué)報(bào);2014年02期

相關(guān)會(huì)議論文 前1條

1 田新利;楊忠;謝波;;一種基于衛(wèi)星圖像的云檢測方法的實(shí)現(xiàn)[A];2008'中國信息技術(shù)與應(yīng)用學(xué)術(shù)論壇論文集（二）[C];2008年

相關(guān)碩士學(xué)位論文 前8條

1 張新;基于廣義cat映射的衛(wèi)星圖像加密系統(tǒng)研究[D];長春理工大學(xué);2016年

2 王述生;三臺(tái)縣城市衛(wèi)星圖像處理方法研究與應(yīng)用[D];電子科技大學(xué);2007年

3 劉磊;海量衛(wèi)星圖像可視化中的多用戶協(xié)同調(diào)度問題研究[D];合肥工業(yè)大學(xué);2013年

4 宋偉偉;利用空間信息的衛(wèi)星圖像場景分類[D];吉林大學(xué);2015年

5 張曦;衛(wèi)星圖像地標(biāo)匹配相關(guān)技術(shù)研究[D];國防科學(xué)技術(shù)大學(xué);2012年

6 孫小棋;Landsat衛(wèi)星圖像云層去除算法研究[D];安徽大學(xué);2015年

7 周麗娟;可見光衛(wèi)星圖像的云檢測算法研究[D];西安電子科技大學(xué);2012年

8 夏志鵬;基于變分法的SAR衛(wèi)星圖像分割技術(shù)研究[D];華東師范大學(xué);2009年

，

本文編號(hào)：2157664