多尺度卷积神经网络的遥感影像多标签分类

发布时间：2021-07-08 03:24

　　卫星、飞机等对地观测系统迅速发展,大量的遥感影像含有多种地物但不能得到有效利用,针对这一问题,本文提出了采用一种多尺度卷积神经网络对遥感影像进行多标签分类,以帮助影像的管理和理解。该算法通过获取更多语义信息和标签特征来提高分类精度。实验基于DLRSD数据集与XGBoost算法和基础网络进行了比较,且通过4个对比实验证明该算法有效可行,并对这些对比实验的内存及训练时间进行了统计。相比于XGBoost算法,本研究方法 F2分数高了0.062;相比于基础网络,本研究方法 F2分数高了0.088,其中,4个改进分别将F2分数提高了0.008、0.017、0.015、0.048;内存及训练时间对比中,最后一个改进使训练时间增加到两倍左右,其他改进对内存和训练时间改动不大。本文提出的多尺度卷积神经网络方法,虽然训练时间增加但使遥感影像多标签分类的精度提升很大,具有可操作性。 

【文章来源】：测绘与空间地理信息. 2020,43(09)

【文章页数】：5 页

【部分图文】：

4种方法F2分数的散点图

基础网络结构如图1所示，影像在输入之前被设置成宽高均为224像素的三通道图像;接着是5个卷积层，卷积核的个数分别是64、192、384、384、256;第1个、第2个卷积层后分别有一个池化层，且都是最大值池化，最后一个卷积层后使用全局平均池化就可获得一个256维的特征向量;网络只有一个全连接层，输出维度为17。将sigmoid激活函数作为分类层的激活函数，使多标签分类问题转化成多个独立的二分类问题，在二分类中，一般都是使用0.5作为分类阈值，但并不是所有地物都适合使用0.5作为阈值，所以本研究使用阈值搜索来代替，即先将阈值设置为0.05，每次增加0.05进行遍历，找出最高精度时的阈值进行应用;损失函数也替换为sigmoid交叉熵，损失计算时先对每一个二分类计算交叉熵，再将它们累加得到最终结果。损失计算所用公式如下:

各类标签所对应的图像

【参考文献】：
期刊论文
[1]基于CNN特征空间的微博多标签情感分类[J]. 孙松涛,何炎祥.  工程科学与技术. 2017(03)
[2]相关信息加权的自适应多标签分类算法[J]. 周浩,李翔,刘功申.  计算机应用与软件. 2015(01)
[3]多标签分类器准确性评估方法的研究[J]. 秦锋,黄俊,程泽凯,杨帆.  计算机技术与发展. 2010(01)



本文编号：3270754