基于深度学习的遥感图像分类研究
发布时间：2021-11-03 06:32
作为机器学习的分支,深度学习克服了机器学习在提取特征上的弱点,能从海量数据中提取抽象特征。其特征表达能力和泛化能力高,面对海量遥感影像数据也能高效准确的提取特征。遥感影像分类是从提取影像中各类地物特征并归类处理,是遥感影像处理中的关键技术。基于深度学习的遥感图像分类可以弥补传统机器学习分类精度不高、效率低和泛化能力不足的缺陷,推动了遥感分类技术的进步。将首先介绍现有的部分深度学习模型;其次对遥感图像分类方法做阐述;最后对基于深度学习的遥感图像分类方法研究分析并做总结。
【文章来源】：激光杂志. 2021,42(05)北大核心
【文章页数】：5 页
【部分图文】：
一般自编码模型[9]
CNN能够学习输入输出间的对应关系训练网络构建模型。典型的CNN包括输入层、卷积层、池化层(采样层)、全连接层和输出层[15]，如图3所示。卷积层用于提取特征;采样层能在降低数据量的同时过滤信息处理特征，两者交替放置[16]。CNN的局部感受野和权值共享两大特征可以只在局部感知而在高层将局部进行汇总得到全局信息，并减少参数数量[17]。张康等提出基于变异系数的CNN，能够有效减少高光谱图像中的低效波段以提取有效信息并提升分类精度，由测试数据集结果证明该模型可行性[18]。李亚等为解决跨年龄人脸识别，研究了一种基于深度卷积神经网络的联合学习算法，该算法能同时学习数据特征和最佳测度函数计算出最佳阈值来提升匹配准确度，且人脸识别正确率较高[19]。
监督分类根据样本进行训练，训练后的模型记录了地物特征信息可实现图像的分类。常用的支持向量机(SVM)和神经网络分类等都属于监督分类。SVM属于浅层机器学习算法。在低维空间无法实现分类的数据，SVM可映射到高维空间，以寻找一个最优分类面[23]。它优秀的抗噪性能和学习能力在遥感图像处理领域发挥了较好作用[24]。神经网络模仿了人脑神经元，由多个神经元构成输入层、隐藏层和输出层，如图4所示。神经元结构如图5,Xn为输入数据，Wn为权重，bk为偏置值，Sigmoid和Re Lu等是常用激活函数。神经网络通过训练网络调整参数，构建输入输出间的关系模型来划分数据。图5 神经元结构图
【参考文献】：
期刊论文
[1]基于深度神经网络的遥感图像飞机目标检测[J]. 李文斌,何冉. 计算机工程. 2020(07)
[2]结合双视觉全卷积网络的遥感影像地物提取[J]. 李道纪,郭海涛,张保明,赵传,卢俊,余东行. 中国图象图形学报. 2020(03)
[3]基于降噪自编码器的水声信号增强研究[J]. 殷敬伟,罗五雄,李理,韩笑,郭龙祥,王建峰. 通信学报. 2019(10)
[4]基于神经网络的遥感图像语义分割方法[J]. 王恩德,齐凯,李学鹏,彭良玉. 光学学报. 2019(12)
[5]基于栈式自编码神经网络对高光谱遥感图像分类研究[J]. 张国东,周浩,方淇,张露,杨峻. 红外技术. 2019(05)
[6]深度置信网络在导弹攻击区分类中的应用[J]. 杨任农,张振兴,房育寰,左家亮,张彬超. 国防科技大学学报. 2019(02)
[7]深度学习在遥感影像分类与识别中的研究进展综述[J]. 王斌,范冬林. 测绘通报. 2019(02)
[8]基于蜂群k-means算法的遥感图像聚类应用研究[J]. 李艳娟,牛梦婷,李林辉. 计算机工程与应用. 2019(06)
[9]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢. 计算机学报. 2019(01)
[10]遥感图像分类方法综述[J]. 张裕,杨海涛,袁春慧. 兵器装备工程学报. 2018(08)
本文编号：3473231
【文章来源】：激光杂志. 2021,42(05)北大核心
【文章页数】：5 页
【部分图文】：
一般自编码模型[9]
CNN能够学习输入输出间的对应关系训练网络构建模型。典型的CNN包括输入层、卷积层、池化层(采样层)、全连接层和输出层[15]，如图3所示。卷积层用于提取特征;采样层能在降低数据量的同时过滤信息处理特征，两者交替放置[16]。CNN的局部感受野和权值共享两大特征可以只在局部感知而在高层将局部进行汇总得到全局信息，并减少参数数量[17]。张康等提出基于变异系数的CNN，能够有效减少高光谱图像中的低效波段以提取有效信息并提升分类精度，由测试数据集结果证明该模型可行性[18]。李亚等为解决跨年龄人脸识别，研究了一种基于深度卷积神经网络的联合学习算法，该算法能同时学习数据特征和最佳测度函数计算出最佳阈值来提升匹配准确度，且人脸识别正确率较高[19]。
监督分类根据样本进行训练，训练后的模型记录了地物特征信息可实现图像的分类。常用的支持向量机(SVM)和神经网络分类等都属于监督分类。SVM属于浅层机器学习算法。在低维空间无法实现分类的数据，SVM可映射到高维空间，以寻找一个最优分类面[23]。它优秀的抗噪性能和学习能力在遥感图像处理领域发挥了较好作用[24]。神经网络模仿了人脑神经元，由多个神经元构成输入层、隐藏层和输出层，如图4所示。神经元结构如图5,Xn为输入数据，Wn为权重，bk为偏置值，Sigmoid和Re Lu等是常用激活函数。神经网络通过训练网络调整参数，构建输入输出间的关系模型来划分数据。图5 神经元结构图
【参考文献】：
期刊论文
[1]基于深度神经网络的遥感图像飞机目标检测[J]. 李文斌,何冉. 计算机工程. 2020(07)
[2]结合双视觉全卷积网络的遥感影像地物提取[J]. 李道纪,郭海涛,张保明,赵传,卢俊,余东行. 中国图象图形学报. 2020(03)
[3]基于降噪自编码器的水声信号增强研究[J]. 殷敬伟,罗五雄,李理,韩笑,郭龙祥,王建峰. 通信学报. 2019(10)
[4]基于神经网络的遥感图像语义分割方法[J]. 王恩德,齐凯,李学鹏,彭良玉. 光学学报. 2019(12)
[5]基于栈式自编码神经网络对高光谱遥感图像分类研究[J]. 张国东,周浩,方淇,张露,杨峻. 红外技术. 2019(05)
[6]深度置信网络在导弹攻击区分类中的应用[J]. 杨任农,张振兴,房育寰,左家亮,张彬超. 国防科技大学学报. 2019(02)
[7]深度学习在遥感影像分类与识别中的研究进展综述[J]. 王斌,范冬林. 测绘通报. 2019(02)
[8]基于蜂群k-means算法的遥感图像聚类应用研究[J]. 李艳娟,牛梦婷,李林辉. 计算机工程与应用. 2019(06)
[9]自编码神经网络理论及应用综述[J]. 袁非牛,章琳,史劲亭,夏雪,李钢. 计算机学报. 2019(01)
[10]遥感图像分类方法综述[J]. 张裕,杨海涛,袁春慧. 兵器装备工程学报. 2018(08)
本文编号：3473231
本文链接：https://www.wllwen.com/guanlilunwen/gongchengguanli/3473231.html
