推荐星级:
- 1
- 2
- 3
- 4
- 5
基于多尺度特征融合的遥感图像场景分类
资料介绍
为了解决遥感图像场景分类中因样本量小而分类精度不高的问题,提出了一种基于多尺度特征融合(MSFF)的分类方法。首先,对遥感图像进行尺度变换,得到同一遥感源图像的多个不同尺度图像。接着,将其分别输入深度卷积神经网络(DCNN)中进行卷积操作。然后,将各卷积层和全连接层提取出的不同尺度特征进行降维和编码/平均池化操作。最后,将各尺度特征进行编码融合并利用多核支持向量机(MKSVM)进行场景分类。在两个公开遥感图像数据集UCM Land-Use和NWPU-RESISC45中进行试验,分类精度最高分别达到98.91%和99.33%。本文方法能够利用不同尺度的图像特征,结合低、中、高层语义表示,使融合特征的可辨识性更高,同时使用多核支持向量机提高了深度网络学习的泛化能力,因此分类效果更好。
部分文件列表
文件名 | 大小 |
1577656171基于多尺度特征融合的遥感图像场景分类.pdf | 3M |
部分页面预览
(完整内容请下载后查看)第
卷
第
期
12
光学 精密工程
ꢀ
26
ꢀ
Vol.26 No.12
ꢀ
ꢀꢀꢀꢀꢀ ꢀꢀꢀꢀ
ꢀꢀꢀꢀꢀ ꢀ
O ticsandPrecisionEnineerin
ꢀ p ꢀ ꢀ ꢀ g
g
年
2018 12
月
ꢀ ꢀ
Dec.2018
ꢀ
( )
1004924X201812309909
-
文章编号
ꢀ
-
-
基于多尺度特征融合的遥感图像场景分类
*
, , ,
慕晓冬 王舒洋 马晨晖
杨
州
ꢀ
( ,
火箭军工程大学 信息工程系 陕西 西安
)
710025
: ,
摘要 为了解决遥感图像场景分类中因样本量小而分类精度不高的问题 提出了一种基于多尺度特征融合
(
)
的分
MSFF
。 , , 。 ,
类方法 首先 对遥感图像进行尺度变换 得到同一遥感源图像的多个不同尺度图像 接着 将其分别输入深度卷积神
( ) 。 , /
中进行卷积操作 然后 将各卷积层和全连接层提取出的不同尺度特征进行降维和编码 平均池化操
DCNN
经网络
。
,
最后 将各尺度特征进行编码融合并利用多核支持向量机
(
) 。
进行场景分类 在两个公开遥感图像数据集
作
MKSVM
,
中进行试验 分类精度最高分别达到
。
本文方法能够利用不同
和
UCM LandUse NWPU RESISC45
-
和
98.91% 99.33%
ꢀ
-
, 、 、 , ,
尺度的图像特征 结合低 中 高层语义表示 使融合特征的可辨识性更高 同时使用多核支持向量机提高了深度网络学
,
习的泛化能力 因此分类效果更好
。
: ; ; ; ;
词 遥感图像 场景分类 深度卷积神经网络 特征融合 多核支持向量机
ꢀ
关
键
ꢀ
:
:
文献标识码
A
:
/
中图分类号
TP751
ꢀꢀ
doi10.3788 O PE .20182612 .3099
ꢀꢀ
Sceneclassificationofremotesensin imaes
ꢀ ꢀ ꢀ ꢀ
g
g
ꢀ
basedonmultiscalefeaturesfusion
ꢀ ꢀ ꢀ ꢀ
*
YANGZhou MU Xiaodon WANGShu an MAChenhui
ꢀ
,
,
g
,
y g
ꢀ
ꢀ
-
-
ꢀ
-
(
,
g
De artmento In ormationEnineerin RocketForceEnineerin
ꢀ
g
ꢀ
ꢀ
ꢀ
g
p
f
f
g
ꢀ
, ’ ,
Universit Xian710025 China
y
)
,
Corresondin author Email zmailbox2015 163.com
@
:
y
*
-
p
g
ꢀ
:
Abstract Tosolvethelowaccurac roblemofremotesensin imaesceneclassificationduetosmall
yp gꢀ
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
,
(
)
sam lesizes aclassification method was roosedbasedon MultiscaleFeaturesFusion MSFF .
p ꢀ
ꢀp p ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
First theremotesensin imaeswerescaledtoobtainseveraldifferentscaleimaesofthesamere
ꢀ ꢀ ꢀ -
g ꢀ g ꢀ ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
(
motesensin imae.Thereafter the werein uttedintoaDee ConvolutionalNeuralNetwork DC
ꢀ p ꢀꢀ -
ꢀ
g
ꢀ
g
y
ꢀ
ꢀ
p
ꢀ
ꢀ
ꢀ
)
,
NN forconvolutionaloeration andthedifferentscalefeaturesoftheconvolutionalandthefull
ꢀp ꢀ ꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
,
connectedlaerswerereducedandcodedoraverae ooled.Finall thedifferentscalefeatureswere
ꢀ y ꢀ ꢀ
gꢀp
ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
ꢀ
ꢀ
ꢀ
,
codedandfused andamultikernelsu ortvectormachinewasusedtoclassif thescenes.Inthetwo
ꢀꢀ ꢀ pp ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
ꢀ
y
ꢀ
ꢀ
,
ublicremotesensin imaedatasetsUCM LandUseandNWPU RESISC45 thehihestclassifica
gꢀ
ꢀ g -
p
ꢀ
ꢀ
g
ꢀ
ꢀ
ꢀ
ꢀ
-
ꢀ
ꢀ
-
ꢀ
,
tionaccurac oftheexerimentare98.91% and99.33% resectivel .Thismethodcanuseimae
y ꢀ ꢀ p
ꢀ ꢀ ꢀ ꢀ
ꢀ
ꢀ
p
y
ꢀ
ꢀ
g
ꢀ
,
,
featuresofdifferentscalesandlow middleandhihlevelsemanticreresentationscombined thus
ꢀ ꢀ ꢀ g ꢀ p
ꢀ
ꢀ
ꢀ
ꢀ
-
ꢀ
ꢀ
,
thefusionfeatureismorereconizable.Furthermore theuseofamultikernelsu ortvectormachine
ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ pp
ꢀ
ꢀ
ꢀ
g
ꢀ
ꢀ
:
;
:
修订日期
20180506.
收稿日期
20180313
- -
ꢀꢀ
-
-
:
基金项目 国家自然科学基金资助项目
(
);
航空科学基金资助项目
(
)
No .61601475
No.201555U8010
ꢀꢀ
光学 精密工程
ꢀ
第
卷
ꢀ
26
3100
ꢀꢀꢀꢀꢀ
ꢀꢀꢀꢀꢀ
,
im rovesthe eneralizationofthedee networklearnin abilit sotheclassificationeffectisbetter.
ꢀ
p
ꢀ
ꢀg
ꢀ ꢀ
ꢀ
p
ꢀ
ꢀ
g
ꢀ
y
ꢀ
ꢀ
ꢀ ꢀ
:
;
;
Ke words remotesensin imae sceneclassification dee convolutionalalneuralnetwork features
ꢀ ꢀ
;
ꢀ
g
ꢀ
g
ꢀ
p
ꢀ
ꢀ
y
ꢀ
;
fusion multikernelsu ortvectormachine
ꢀ pp
-
ꢀ
ꢀ
,
降维 然后应用光谱回归核区分分析法处理后进
。
行融合并分类
引 言
1
ꢀ ꢀ
,
在以上场景分类方法中 只是利用了局部多尺
,
随着遥感技术的不断发展进步 人们能够获
ꢀꢀ
,
度 并没有充分利用图像的多尺度和深度网络各层
, ,
得的遥感图像越来越多 分辨率也越来越高 图像
。 ,
级的不同尺度特征 因此 本文提出一种新的基于
、 ,
中包含的信息更丰富 结构更复杂 在城市规划
、
———
多尺度 特征 融合 的遥 感 图 像 场 景 分 类 方 法
,
自然灾害探测等领域发挥重要作用的同时 也因
,
即在增加遥感图像多尺度样本数量的同时
MSFF
,
、
其同物异谱 异物同谱等问题的存在对场景分类
,
利用深度网络各层多尺度特征较强的语义表示 提
。
等带来了更大的挑战 虽然已有许多分类方法被
。
高小样本遥感图像场景分类的精度
[
]
110
,
-
不同的研究者提出
但大部分方法是基于图
, 。 ,
像的低中层特征 分类效果并不理想 其中 比较
基于
的遥感图像分类
MSFF
2
ꢀ
[]
4
,
有名的方法之一就是视觉词袋法
它是一种基
,
于图像中层特征的视觉编码分类方法 后来的许
本文提出的多尺度特征融合的分类方法主要
ꢀꢀ
。
多方法都是对视觉词袋方法的改进或扩展
: ,
分为三个步骤 第一步为源图像的多尺度变换 即
,
近几年 深度学习的方法因其强大的学习能
,
对同一遥感图像进行不同尺度变换 得到多个尺
[
]
1116
,
-
力被成功地应用于许多领域
不少学者将其
, ,
度图像 增加遥感图像的总体样本数量 有效解决
[
]
1723
,
-
应用在遥感场景分类中
同样取得了不错的
;
部分遥感图像场景分类中样本量小的问题 第二
。 , ,
表现 但是 在这些研究过程中 只有部分研究者
步结合深度网络各层不同尺度特征较强的语义表
意识到深度学习过程中不同尺度的特征均具有较
, ,
示 尤其是中高级语义特征进行分类 丰富样本数
[
,
]
202426
。
-
,
同时 在应用
强的表示能力
进行
DCNN
,
量的同时 也进一步丰富提取特征的多样性和互
,
遥感图像场景分类时 通常需要大量有标签的数
, ;
补性 增强融合特征的可辨识性 第三步用
MKS
-
,
据进行训练 然而由于遥感图像内所含对象的复
分 类器 代替
网 络 的 输 出 层
Softmax
VM
进行场景分类 提高深度网络学习的泛化能力
中各卷积层和全连接层特征的编码
DCNN
, ,
杂多样性 致使具有单一标签的图像较少 而人工
,
。
,
标注又是一件费时费力的事 导致在遥感图像场
对
2.1
DCNN
ꢀ
,
景分类时因标签样本量少而分类精度不高 文献
[ ] ,
可知 一般的
27
从文献
中因全连接
DCNN
[ , ]
利用多尺度特征进行遥感图像场景分
202426
-
,
层的存在要求输入固定大小的图像 为了能够输
。 ,
类正好缓解了这种情况 其中 文献
[ ]
提出的
20
,
入不同尺度的遥感图像 我们采用文献
[ ]
中的
25
多尺度特征方法是通过不同尺度的输入图像产生
,
方法 对各全连接层特征进行降维和平均池化
。
,
稠密特征 然后用不同的编码方式进行特征编码
,
在对各卷积层特征编码时 分别采用常用的四种
。
并分类 文献
[ ]
主要是利用非下采样变换方法
24
[ ]
28
,
(
) 、
编码方法进行对比 即词袋法
局部合
) 、
局部限制线性编码
BOW
,
对遥感图像进行多尺度分解 然后利用深度卷积
网络训练得到不同尺 度的 图像特征 进行 场景分
[
]
29
(
成描述符向量法
VLAD
[
30
)
]
[ ]
31
) 。
(
LLC
(
IFK
法
和改进费舍尔核编码法
。
[ ]
文献 提出的另外一种方法是对各卷积层
25
类
多核支持向量机
2.2
ꢀ
,
编码 对各全连接层特征进行平
特征采用
VLAD
[ ] ,
可知 在利用多尺度特征和深度
24
从文献
,
均池化和标准化 最后连接所有处理后的特征进
,
网络进行遥感图像分类时 由于多尺度特征间的
。
行场景分类 文献
[ ]
将多尺度遥感图像各卷积
26
,
差异性 大 用 多 核 支 持 向 量 机
( )
分 类
MKSVM
,
层特征进行多尺度改进费舍尔编码 再将其与固
定尺度遥感图像的全连接层特征进行主成分分析
[ ]
32
,
可以提
Softmax
器
代替
网络的输出层
DCNN
全部评论(0)