结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类
针对目前遥感影像分类应用中常用的浅层机器学习算法无法满足当前海量遥感影像数据环境下分类精度的问题,提出了一种将全卷积神经网络应用于遥感影像分类的方法;为了减少影像特征图在池化过程中自身特征的丢失,增加池化层与反卷积层的融合;为了提高融合的可靠性,增加尺度变换层;为了获得更精细的边缘分类结果,考虑像素之间的空间相关性,采用均值漂移聚类分割获取像素的空间关系,通过统计聚类区域像素概率的和最大、方差最小的方法确定该区域对象的类别;选取典型地区的影像进行分类实验,并将所提出的分类方法与全卷积神经网络、支持向量机、人工神经网络方法进行对比.结果表明,所提出的分类方法的精度明显高于传统机器学习方法的精度.
遥感、影像分类、全卷积神经网络、高分辨率影像、均值漂移分割、反卷积融合
55
O436(光学)
高分辨率对地观测系统重大专项;国家重点研发计划
2018-05-17(万方平台首次上网日期,不代表论文的发表时间)
共9页
440-448