联合卷积神经网络与集成学习的遥感影像场景分类

发布时间：2021-11-05 14:58

　　针对人工设计的中、低层特征难以实现复杂场景影像的高精度分类以及卷积神经网络依赖大量训练数据等问题,结合迁移学习与集成学习,提出了一种联合卷积神经网络与集成学习的遥感影像场景分类算法。首先基于迁移学习的思想,利用在自然影像数据集上训练好的多个深层卷积神经网络模型作为特征提取器,提取图像多个高度抽象的语义特征;然后构建由Logistic回归和支持向量机组成的Stacking集成模型,对同一图像的多个特征分别训练Logistic模型,将预测概率结果融合构建概率特征;最后利用支持向量机对概率特征训练和预测,得到场景影像的分类结果。利用UCMerced_LandUse和NWPU-RESISC 45两种不同规模的遥感影像数据集进行试验,即使在只有10%的数据作为训练样本情况下,本文方法能够分别达到90.74%和87.21%的分类精度。 

【文章来源】：遥感学报. 2020,24(06)北大核心EICSCD

【文章页数】：11 页

【部分图文】：

卷积神经网络基本结构

NWPU-RESISC45数据集部分样本

采用MS-DCNN（许凤晖等，2016）对UCMerced＿LandUse数据集样本划分方法，每类样本随机选取80%作为训练数据，其余作为测试数据。为保证试验数据的有效性，将数据随机划分为5份，任选4份作为训练数据，其余一份作为测试数据，进行5组试验，并将5组试验结果的平均值作为最终分类结果（表6和图9）。在相同数据集及划分方法下实验，本文方法总体平均精度达到98.00%，高于其他基于词袋模型以及卷积神经网络的分类算法。如图9所示，UCMerced＿LandUse数据集中大多数类别的分类准确率本文方法可以达到100%，分类精度最差的类别为TSC(tennis courts），同样可以达到87%。5 结论

【参考文献】：
期刊论文
[1]高分辨率遥感影像场景的多尺度神经网络分类法[J]. 郑卓,方芳,刘袁缘,龚希,郭明强,罗忠文.  测绘学报. 2018(05)
[2]顾及遥感影像场景类别信息的视觉单词优化分类[J]. 闫利,朱睿希,刘异,莫楠.  遥感学报. 2017(02)
[3]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军.  计算机学报. 2017(06)
[4]联合显著性和多层卷积神经网络的高分影像场景分类[J]. 何小飞,邹峥嵘,陶超,张佳兴.  测绘学报. 2016(09)
[5]利用多尺度特征与深度网络对遥感影像进行场景分类[J]. 许夙晖,慕晓冬,赵鹏,马骥.  测绘学报. 2016(07)
[6]图像理解中的卷积神经网络[J]. 常亮,邓小明,周明全,武仲科,袁野,杨硕,王宏安.  自动化学报. 2016(09)



本文编号：3478019