一种改进深度卷积神经网络的海岛识别方法

发布时间：2021-11-24 21:32

　　受不规律潮汐的影响,现有的海岛地物类别自动识别方法存在精度低和时效性差等问题,通过改进深度卷积神经网络提出了一种基于遥感影像的海岛快速识别方法:（1）在深度卷积神经网络的卷积层中增设1×1的卷积核作为瓶颈单元,对多波段的遥感影像进行降维;（2）在池化层引入了重采样方法,基于灰度值对海量的遥感影像进行特征压缩。以300景Landsat-8遥感影像为源数据,分别采用CNN、RCNN和本文改进的深度卷积神经网络对遥感影像中的海岛进行识别,实验结果表明:（1）改进的深度卷积神经网络降低了海岛识别的计算耗时,其计算耗时仅为CNN的4.56%和RCNN的5.60%;（2）改进的深度卷积神经网络较CNN和RCNN提高了海岛识别的精度,识别精度分别为96.0%、93.3%和95.0%。结果说明,改进的深度卷积神经网络适用于面向遥感影像的海岛自动识别。 

【文章来源】：上海海洋大学学报. 2020,29(03)北大核心CSCD

【文章页数】：7 页

【部分图文】：

基于瓶颈单元的遥感影像降维

实验数据为2013年至2016年中国近海的Landsat-8遥感影像,共300景,分辨率为30 m,数据范围涵盖我国东海与南海海域。图5为部分实验数据,为波段5、6、4的合成影像。自300景遥感影像中随机选取200景作为训练数据集,100景作为验证数据集。将200景训练数据分别进行90°、180°、270°旋转后扩充至800景,构成训练数据集。基于labelImg软件对遥感影像中海岛边界信息进行标记,从而构建了训练数据集,海岛边界标记信息存储在XML文件中。采用GPU为英伟达GM170GL计算卡,并借助CUDA8.0调用基于Tensorflow1.9.0搭建的深度卷积神经网络。

图1所示为改进的卷积神经网络架构图,包括1个输入层、3个卷积层、1个池化层、多个全连接与分类器。3个卷积层分别为:第1个卷积层为降维层,为提高计算效率增设1×1的卷积核作为瓶颈单元,通过卷积运算对遥感影像进行降维;第2个卷积层为特征提取层,由多个3×3的卷积核构成,用于提取遥感影像的局部空间或纹理特征;第3个卷积层为反降维层,由3个3×3的卷积核构成,将特征提取后的遥感影像反降维。池化层与第2个卷积层(即特征提取层)相伴而生,用于对卷积核运算提取的特征进行压缩。而后通过全连接层对提取的特征影像拉伸成一维矢量并映射到样本空间,再通过分类器对遥感影像进行分类。1.1 卷积层:增设瓶颈单元实现遥感影像降维

【参考文献】：
期刊论文
[1]基于高分遥感影像的海岛建筑物高度测算研究[J]. 孙苗,张宏晔,张峰,范诗玥,陈绍建,张建楠.  海洋通报. 2018(04)
[2]改进水平集模型的海岛边界快速分割方法研究[J]. 王振华,何婉雯,孙婧琦,曲念毅,黄冬梅.  计算机科学与探索. 2019(07)
[3]基于高分辨率遥感影像的铜盘岛土地利用检测[J]. 张琳琳,周斌,潘玉良,雷惠.  杭州师范大学学报(自然科学版). 2018(02)
[4]高分辨率SAR影像在海岛监视监测中的应用[J]. 李晓敏,张杰,孟俊敏,马毅.  海洋开发与管理. 2018(02)
[5]海岛岸线遥感立体测图精细测量方法[J]. 党亚民,章传银,周兴华,薛树强,许军.  测绘通报. 2017(11)
[6]基于遗传优化的海岛礁彩色影像增强方法[J]. 李国,蔡海峰,王长春,张佳.  地理空间信息. 2017(02)
[7]深度卷积神经网络在Caltech-101图像分类中的相关研究[J]. 段建,翟慧敏.  计算机应用与软件. 2016(12)
[8]基于深度卷积神经网络的船舶识别方法研究[J]. 赵亮,王晓峰,袁逸涛.  舰船科学技术. 2016(15)
[9]基于高分辨率遥感影像的西沙赵述岛地表覆盖提取与演变分析[J]. 李亚萍,燕琴,刘正军,马毅.  热带海洋学报. 2016(02)
[10]基于均值漂移的海岛(礁)岸线快速提取[J]. 方亮,付成群,方涛,洪建国.  解放军理工大学学报(自然科学版). 2016(05)



本文编号：3516790