基于增强DeepLabV3网络的高分辨率遥感影像分类
由于高分影像具有地物细节丰富、类别差异大等特点,现有的卷积神经网络影像分类方法普遍存在分类精度低、地物边界不准确等问题.鉴于此,本文提出一种基于增强DeepLabV3网络的影像分类模型.首先构建R-MCN网络结构,利用大小不同的卷积核并结合残差网络的思想进一步提取浅层网络的多尺度、多层次的特征信息;然后采用可学习的上采样方式,并将R-MCN提取的特征与高阶的语义信息相融合;最后通过提出的Mloss损失函数,获得遥感影像的地物分类结果.试验结果表明,相对于传统的卷积神经网络,本文方法能细化地物的边缘信息,改善分类效果,获得更高的影像分类精度.
影像分类、融合、上采样、损失函数、DeepLabV3
P237(摄影测量学与测绘遥感)
国家自然科学基金41971281
2021-05-27(万方平台首次上网日期,不代表论文的发表时间)
共5页
40-44