基于多尺度特征融合的土地利用分类算法

发布时间：2024-12-21 03:42

　　 针对土地利用分类中高空间分辨率遥感图像已标注样本少和传感器高度变化导致地物形变等问题,提出一种基于多尺度特征融合的土地利用分类算法。通过对多个卷积层特征进行多尺度自适应融合,降低地物形变对分类精度造成的影响。为进一步提高分类精度,利用预训练网络提取的深度特征对多尺度特征融合部分和全连接层进行预训练,采用增广数据集对整个网络进行微调。实验结果表明,自适应融合方法改善了融合效果,有效提高了土地利用分类的精度。

【文章页数】：6 页

【部分图文】：

图1 TL-MFF模型

由于计算资源和遥感场景小样本数据的限制，大型卷积神经网络的训练过程容易导致过拟合。一种简单可行的解决方法是利用基于ImageNet[14]的预训练CNNs提取图像特征进行场景分类。在ImageNet上预训练的CNNs模型具有较强的泛化能力，且光学遥感图像与通用光学图像具有很强的低....

图2 飞机和储罐场景中物体的尺度变化

多尺度特征融合部分的方法如图4所示，这里省略其它卷积层与全连接层。对卷积层conv1和conv6进行融合，先将这两层输出的特征向量进行金字塔池化，将输出的一维特征分别用SF1和SF2表示，然后两个特征分别乘以λ1和λ2，再将它们连接起来构成最终的特征融合向量输入到全连接层FC。融....

图3 金字塔池化结构

图2飞机和储罐场景中物体的尺度变化图4多尺度特征融合结构

图4 多尺度特征融合结构

图3金字塔池化结构1.3TL-MFF模型训练步骤

本文编号：4018339