改进卷积神经网络模型在遥感图像场景分类中的应用

发布时间：2022-12-06 05:34

　　基于Alex Net模型框架,提出一种改进卷积神经网络模型,通过使用较小的卷积核,保留图像或特征图像的空间尺寸,增加BN层（batch normalization）方式,并使用mini-batch和梯度下降算法相结合对网络进行训练。将改进后的模型应用于遥感图像场景分类,实验结果表明,与传统的AlexNet模型比较,改进后的模型提高了收敛速度,分类准确率为0.961 4,误分率为0.038 6,Kappa系数为0.959 4,分类准确率提升了2.2%。 

【文章页数】：7 页

【文章目录】：
0 引言
1 场景分类在遥感影像中的应用
2 卷积神经网络原理
3 改进卷积神经网络模型
    3.1 改进卷积神经网络模型结构
    3.2 卷积神经网络模型训练及验证
4 实验和分析
    4.1 实验环境
    4.2 实验分析
5 结论


【参考文献】：
期刊论文
[1]基于深度卷积神经网络的高分辨率遥感影像场景分类[J]. 孟庆祥,吴玄.  测绘通报. 2019(07)
[2]图像场景分类技术综述[J]. 田艳玲,张维桐,张锲石,路纲,吴晓军.  电子学报. 2019(04)
[3]基于多尺度特征融合的遥感图像场景分类[J]. 杨州,慕晓冬,王舒洋,马晨晖.  光学精密工程. 2018(12)
[4]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)
[5]基于集成卷积神经网络的遥感影像场景分类[J]. 张晓男,钟兴,朱瑞飞,高放,张作省,鲍松泽,李竺强.  光学学报. 2018(11)
[6]基于卷积神经网络的遥感图像分类研究[J]. 李亚飞,董红斌.  智能系统学报. 2018(04)
[7]基于TensorFlow的不同深层卷积神经网络的对比与分析[J]. 金钊.  电子世界. 2018(06)
[8]基于泛化深度迁移特征的高分遥感场景分类[J]. 罗畅,王洁,王世强,史通,任卫华.  系统工程与电子技术. 2018(03)
[9]基于卷积神经网络模型的遥感图像分类[J]. 付秀丽,黎玲萍,毛克彪,谭雪兰,李建军,孙旭,左志远.  高技术通讯. 2017(03)
[10]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)

硕士论文
[1]基于卷积神经网络的高分辨率遥感影像土地利用分类[D]. 门计林.中国地质大学 2019
[2]基于深度神经网络的道路目标检测研究[D]. 陈佳鹏.西南交通大学 2018
[3]递归型卷积神经网络的研究及其应用[D]. 王巧云.苏州大学 2017



本文编号：3711165