基于卷积神经网络的遥感影像地表覆盖分类
发布时间：2022-01-22 11:10
遥感影像地表覆盖分类是地理国情监测和地理信息资源建设中至关重要的环节,利用卷积神经网络对遥感影像进行特征提取和分类,具有十分重要的科研和应用价值。为提高遥感影像的地表覆盖分类精度,在深度卷积神经网络VGGNet的基础上,采用SeLU函数作为激活函数,并将激活函数中的λ、α作为训练参数,得到改进的VGGNet,用逐层贪婪算法对网络参数初始化,并选择适当的学习次数利用迁移学习的方法对网络参数调整,以提高网络的泛化能力来提取遥感影像各类别的深层特征,从而有效进行地表覆盖分类。通过GF-1卫星影像的实验表明本文方法在地表覆盖分类精度方面的优越性。
【文章来源】：地理信息世界. 2020,27(05)
【文章页数】：7 页
【部分图文】：
人工神经网络结构
VGGNet有2个比较有名的模型,分别是VGG-16和VGG-19,由于二者的分类精度比较接近,本文选用模型参数较少且提取特征速度较快的VGG-16模型进行实验。本文所用VGG-16模型的结构和参数如图2和表1所示,包括5个卷积组和3个全连接层,每个卷积组又包括2～3个卷积层,卷积核的感受野窗口大小为3×3×通道数,每个卷积层都利用激活函数将输出值映射到下一个卷积层,每个卷积组后接一个步长为2的2×2池化层进行下采样,最后一个卷积层后接3个全连接层,再接1个softmax归一化指数函数分类器。表1 VGG-16模型的详细参数表Tab.1 Detailed parameter table of the model VGG-16 特征层 参数维度 输入层 Input 224×224×3 卷积层 Conv1＿1 224×224×64 Conv1＿2(+Maxpool) 112×112×128 Conv2＿1 112×112×128 Conv2＿2(+Maxpool) 56×56×128 Conv3＿1 56×56×256 Conv3＿2 56×56×256 Conv3＿3 (+Maxpool) 28×28×256 Conv4＿1 28×28×256 Conv4＿2 28×28×512 Conv4＿3 (+Maxpool) 14×14×512 Conv5＿1 14×14×512 Conv5＿2 14×14×512 Conv5＿3 (+Maxpool) 7×7×512 全连接层 Fc6 1×1×409 6 Fc7 1×1×409 6 Fc8 1×1×6 输出层 Output 1×1×6
通过以上激活函数可以分析得出,Sigmoid函数和Tanh函数为饱和非线性函数,会产生梯度爆炸或梯度消失的问题,收敛速度较慢;ReLU函数不存在梯度消失问题,且当x≥0时,激活函数的导数f"(x)恒为1,激活函数收敛速度快,但当x<0时f"(x)为0,阻断了误差反向传播,且ReLU函数训练时很“脆弱”,在大梯度流经ReLU函数更新参数后,便不会对任何数据有激活现象;Leaky-ReLU函数是ReLU函数的改进型,用来解决ReLU函数的负轴信息全部丢失的问题;SeLU函数图像如图3所示,不会出现梯度爆炸或者消失的问题,且正轴f"(x)大于1,在方差过小时让它增大,加快收敛速度,同时负轴信息也可以保留,并且SeLU函数中的λ、α可以作为待解参数,使得每一层的激活函数有所差异,提高了卷积层间的差异性,降低神经元之间复杂的互适应关系,从而实现抑制过拟合的现象。1.4 VGGNet的网络参数及训练
【参考文献】：
期刊论文
[1]改进卷积神经网络模型设计方法[J]. 张涛,杨剑,宋文爱,郭雁蓉. 计算机工程与设计. 2019(07)
[2]基于残差的改进卷积神经网络图像分类算法[J]. 高磊,范冰冰,黄穗. 计算机系统应用. 2019(07)
[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]高分辨卫星图像卷积神经网络分类模型[J]. 周明非,汪西莉,王磊,陈粉. 中国图象图形学报. 2017(07)
[5]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹. 测绘科学. 2016(10)
[6]地表覆盖遥感产品更新完善的研究动向[J]. 陈军,张俊,张委伟,彭舒. 遥感学报. 2016(05)
[7]土地资源遥感应用研究进展[J]. 张增祥,汪潇,温庆可,赵晓丽,刘芳,左丽君,胡顺光,徐进勇,易玲,刘斌. 遥感学报. 2016(05)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[9]地理国情普查中容易混分地表覆盖类型定量统计与分析[J]. 高志宏,周旭,程滔. 测绘通报. 2015(06)
[10]结合多分类器的遥感数据专题分类方法研究[J]. 柏延臣,王劲峰. 遥感学报. 2005(05)
博士论文
[1]深度卷积神经网络在遥感影像分类的应用研究[D]. 王海军.中国地质大学(北京) 2018
硕士论文
[1]基于深度学习的遥感图像语义分割方法研究[D]. 林锦发.广东工业大学 2019
[2]基于深度迁移学习的图像分类方法研究[D]. 姚旭晨.合肥工业大学 2019
[3]基于深度卷积神经网络自学习特征的地表覆盖分类研究[D]. 张伟.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
本文编号：3602090
【文章来源】：地理信息世界. 2020,27(05)
【文章页数】：7 页
【部分图文】：
人工神经网络结构
VGGNet有2个比较有名的模型,分别是VGG-16和VGG-19,由于二者的分类精度比较接近,本文选用模型参数较少且提取特征速度较快的VGG-16模型进行实验。本文所用VGG-16模型的结构和参数如图2和表1所示,包括5个卷积组和3个全连接层,每个卷积组又包括2～3个卷积层,卷积核的感受野窗口大小为3×3×通道数,每个卷积层都利用激活函数将输出值映射到下一个卷积层,每个卷积组后接一个步长为2的2×2池化层进行下采样,最后一个卷积层后接3个全连接层,再接1个softmax归一化指数函数分类器。表1 VGG-16模型的详细参数表Tab.1 Detailed parameter table of the model VGG-16 特征层 参数维度 输入层 Input 224×224×3 卷积层 Conv1＿1 224×224×64 Conv1＿2(+Maxpool) 112×112×128 Conv2＿1 112×112×128 Conv2＿2(+Maxpool) 56×56×128 Conv3＿1 56×56×256 Conv3＿2 56×56×256 Conv3＿3 (+Maxpool) 28×28×256 Conv4＿1 28×28×256 Conv4＿2 28×28×512 Conv4＿3 (+Maxpool) 14×14×512 Conv5＿1 14×14×512 Conv5＿2 14×14×512 Conv5＿3 (+Maxpool) 7×7×512 全连接层 Fc6 1×1×409 6 Fc7 1×1×409 6 Fc8 1×1×6 输出层 Output 1×1×6
通过以上激活函数可以分析得出,Sigmoid函数和Tanh函数为饱和非线性函数,会产生梯度爆炸或梯度消失的问题,收敛速度较慢;ReLU函数不存在梯度消失问题,且当x≥0时,激活函数的导数f"(x)恒为1,激活函数收敛速度快,但当x<0时f"(x)为0,阻断了误差反向传播,且ReLU函数训练时很“脆弱”,在大梯度流经ReLU函数更新参数后,便不会对任何数据有激活现象;Leaky-ReLU函数是ReLU函数的改进型,用来解决ReLU函数的负轴信息全部丢失的问题;SeLU函数图像如图3所示,不会出现梯度爆炸或者消失的问题,且正轴f"(x)大于1,在方差过小时让它增大,加快收敛速度,同时负轴信息也可以保留,并且SeLU函数中的λ、α可以作为待解参数,使得每一层的激活函数有所差异,提高了卷积层间的差异性,降低神经元之间复杂的互适应关系,从而实现抑制过拟合的现象。1.4 VGGNet的网络参数及训练
【参考文献】：
期刊论文
[1]改进卷积神经网络模型设计方法[J]. 张涛,杨剑,宋文爱,郭雁蓉. 计算机工程与设计. 2019(07)
[2]基于残差的改进卷积神经网络图像分类算法[J]. 高磊,范冰冰,黄穗. 计算机系统应用. 2019(07)
[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]高分辨卫星图像卷积神经网络分类模型[J]. 周明非,汪西莉,王磊,陈粉. 中国图象图形学报. 2017(07)
[5]机器学习法在面向对象影像分类中的对比分析[J]. 赵丹平,顾海燕,贾莹. 测绘科学. 2016(10)
[6]地表覆盖遥感产品更新完善的研究动向[J]. 陈军,张俊,张委伟,彭舒. 遥感学报. 2016(05)
[7]土地资源遥感应用研究进展[J]. 张增祥,汪潇,温庆可,赵晓丽,刘芳,左丽君,胡顺光,徐进勇,易玲,刘斌. 遥感学报. 2016(05)
[8]卷积神经网络研究综述[J]. 李彦冬,郝宗波,雷航. 计算机应用. 2016(09)
[9]地理国情普查中容易混分地表覆盖类型定量统计与分析[J]. 高志宏,周旭,程滔. 测绘通报. 2015(06)
[10]结合多分类器的遥感数据专题分类方法研究[J]. 柏延臣,王劲峰. 遥感学报. 2005(05)
博士论文
[1]深度卷积神经网络在遥感影像分类的应用研究[D]. 王海军.中国地质大学(北京) 2018
硕士论文
[1]基于深度学习的遥感图像语义分割方法研究[D]. 林锦发.广东工业大学 2019
[2]基于深度迁移学习的图像分类方法研究[D]. 姚旭晨.合肥工业大学 2019
[3]基于深度卷积神经网络自学习特征的地表覆盖分类研究[D]. 张伟.中国科学院大学(中国科学院遥感与数字地球研究所) 2017
本文编号：3602090
本文链接：https://www.wllwen.com/kejilunwen/dizhicehuilunwen/3602090.html
