10.16251/j.cnki.1009-2307.2023.06.008
一种基于CNN-GCN的高分辨率遥感影像土地覆盖分类
针对单一深度学习模型无法有效地提取局部-全局空间光谱特征的问题,该文提出了一种基于像素-超像素的异构卷积神经网络(HCNN)特征级联的分类方法,有效地提高了土地覆盖分类性能.具体而言,基于注意力机制的像素级特征提取模块和基于空间域的超像素级特征提取模块分别提取局部和全局空间-光谱特征,并将两种网络的输出特征级联融合作为最终图像表达,进行土地覆盖类别预测.并设计消融实验验证了特征提取分支设计本身的合理性和融合的必要性.本研究基于公开高分影像数据集和河南土地利用/土地覆盖(HN-LULC)数据集进行了验证,结果证明该混合卷积神经网络级联融合分类方法能够显著地提升高分辨率遥感影像中土地覆盖分类的效果,相比现有的分类模型,分类结果最佳.
土地覆盖分类、深度学习、卷积神经网络、超像素分割、图卷积神经网络、高分辨率遥感影像
48
P237(摄影测量学与测绘遥感)
河南省重大科技专项;次青藏高原科学考察计划项目
2023-10-20(万方平台首次上网日期,不代表论文的发表时间)
共14页
59-72