结合数据增广和迁移学习的高分辨率遥感影像场景分类

发布时间：2021-09-25 17:25

　　深度学习在计算机视觉领域取得了显著的成果,如图像分类、人脸识别、图像检索等。对于遥感领域而言,获取用于训练CNN的有标签数据集通常是一个重大挑战。本文研究了如何将CNN用于高分辨率遥感影像的场景分类,为了克服缺乏大量有标签遥感影像数据集的问题,结合CNN采用了两种技术:数据增广和迁移学习。在UC Merced Land Use数据集上,验证了VGG16、VGG19、Res Net50、InceptionV3、Dense Net121等5种网络的性能,分别达到了98. 10%、96. 19%、99. 05%、97. 62%、99. 52%的分类准确率。 

【文章来源】：测绘通报. 2020,(02)北大核心CSCD

【文章页数】：6 页

【部分图文】：

卷积神经网络结构

遥感影像特征的有效提取和表达是场景分类中的重点，相比于传统的特征提取方法(如SIFT、HOG、GIST等)，CNN能够对输入图像逐层提取从底层到高层的特征，创立底层信号到高层语义特征的映射信息，充分降低了高分影像底层视觉表达与高层语义信息之间的“鸿沟”。CNN用于遥感影像场景分类的流程如图2所示。模型主要包括两个部分:特征提取和分类。首先将有标签数据集随机分为训练数据集和测试数据集，训练数据集输入CNN模型后，经过前向传播(feed forward,FF)得到模型输出;然后计算模型输出和实际数据标签的误差，根据误差求导计算梯度，通过反向传播(back propagation,BP)更新网络，如此往复便可训练出优化的CNN模型;最后通过Softmax分类器获得分类结果。

由于训练CNN模型需要足够数量的有标签数据，但实际应用中收集如此多的有标签遥感影像数据集是个难题。面对遥感领域有标签数据集匮乏的问题，笔者采用迁移学习[14](transfer learning)方法，运用已有知识和模型学习相关领域问题，可有效解决有标签遥感影像数据不足的问题。ImageNet是当下最大的图像识别数据库，样本多样性强且类别覆盖范围广。高分辨率遥感影像在图像纹理、线条、色彩、结构上的特征与ImageNet图像有很多的相似之处，因此，本文使用迁移学习策略，将从ImageNet上学习到的权重作为模型的初始权重，而不是随机确定初始权重从头开始训练;然后使用UC Merced Land Use数据集对预训练CNN模型进行微调(finetune)，使用一个较小的学习率(learning rate)通过继续反向传播对CNN网络的权重进行优化，可以微调网络的所有层，或者冻结前面的几层，仅微调网络中较高的层，使得仅需少量的有标签遥感影像数据便可获得很好的分类效果。该策略不仅能有效解决小样本数据训练模型易产生的过拟合问题，同时也能够大大缩减模型训练的时间。使用迁移学习策略进行遥感影像场景分类的流程如图3所示。2 试验及结果分析

【参考文献】：
期刊论文
[1]基于CNN模型的遥感图像复杂场景分类[J]. 张康,黑保琴,李盛阳,邵雨阳.  国土资源遥感. 2018(04)
[2]融合全局和局部深度特征的高分辨率遥感影像场景分类方法[J]. 龚希,吴亮,谢忠,陈占龙,刘袁缘,俞侃.  光学学报. 2019(03)
[3]基于深度学习AlexNet的遥感影像地表覆盖分类评价研究[J]. 党宇,张继贤,邓喀中,赵有松,余凡.  地球信息科学学报. 2017(11)
[4]基于CNN模型的高分辨率遥感图像目标识别[J]. 曲景影,孙显,高鑫.  国外电子测量技术. 2016(08)
[5]高分辨率对地观测的若干前沿科学问题[J]. 李德仁,童庆禧,李荣兴,龚健雅,张良培.  中国科学:地球科学. 2012(06)



本文编号：3410140