卷积神经网络在卫星遥感海冰图像分类中的应用探究——以渤海海冰为例

发布时间：2021-07-19 19:37

　　本文以TensorFlow为框架搭建卷积神经网络,基于迁移学习的思想,以经典的手写数字识别作为引入,对不同代价函数和激活函数组合对卷积神经网络模型分类结果影响进行了评价分析。以HJ-1A/B渤海海冰图像为实验数据源,分析了不同函数组合对遥感海冰图像分类的影响,优选出交叉熵代价函数与ReLU激活函数为最佳的组合,证明了卷积神经网络在遥感海冰分类中的应用可行性。对渤海海冰图像分类结果进行验证,其中带标签样本验证精度为98.4%。使用该模型对无标签的测试样本进行识别,讨论了样本的窗口尺寸对海冰分类结果的影响,发现在400×400小范围分类实验中最佳窗口尺寸为2×2;最后对整个渤海海域进行识别验证,效果较好。 

【文章来源】：海洋学报. 2020,42(09)北大核心CSCD

【文章页数】：10 页

【参考文献】：
期刊论文
[1]基于Sentinel-1A/B SAR数据的西北航道海冰分类研究[J]. 朱立先,惠凤鸣,张智伦,程晓.  北京师范大学学报(自然科学版). 2019(01)
[2]基于纹理分析的SAR海冰图像分类方法[J]. 逯跃锋,和鑫,陆黎娟,楚潇蓉,陈坤,赵泉华.  山东理工大学学报(自然科学版). 2019(01)
[3]卷积神经网络和深度置信网络在SAR影像冰水分类的性能评估[J]. 黄冬梅,李明慧,宋巍,王建.  中国图象图形学报. 2018(11)
[4]结合纹理特征的SVM海冰分类方法研究[J]. 张明,吕晓琪,张晓峰,张婷,吴凉,王军凯,张信雪.  海洋学报. 2018(11)
[5]基于K-GMM算法的SAR海冰图像分类[J]. 任莎莎,郎文辉.  地理与地理信息科学. 2018(05)
[6]高分3号星载合成孔径雷达极地海冰自动检测方法研究[J]. 郑敏薇,李晓明,任永政.  海洋学报. 2018(09)
[7]基于TensorFlow深度学习框架的卷积神经网络研究[J]. 袁文翠,孔雪.  微型电脑应用. 2018(02)
[8]深度神经网络代价函数选择与性能评测研究[J]. 赵宏,郭万鹏.  软件. 2018(01)
[9]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)
[10]Sigmoid函数及其导函数的FPGA实现[J]. 张萧,黄晞,仲伟汉,张亮.  福建师范大学学报(自然科学版). 2011(02)



本文编号：3291298