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

更新时间:2019-12-30 05:49:37 大小:3M 上传用户:IC老兵查看TA发布的资源 标签:遥感图像 下载积分:1分 评价赚积分 (如何评价?) 打赏 收藏 评论(0) 举报

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)
12  
光学 精密工程  
26  
2  
ꢀꢀꢀꢀꢀ ꢀꢀꢀꢀ  
ꢀꢀꢀꢀꢀ ꢀ  
eein  
ꢀ ꢀ g  
2018 12  
ꢀ ꢀ  
018  
( )  
10001099  
文章编号  
基于征融遥感图像分类  
, , ,  
晨晖  
( ,  
火箭工程大学 信息工程陕西 西安  
710025  
,  
摘要 中因一种基于合  
的分  
FF  
。 , , 。 ,  
类方神  
( ) 。 , /  
中进行作 然后 和全操  
DCNN  
络  
机  
) 。  
进行集  
M  
中进行到  
同  
UCM an U RC45  
%  
, 、 、 , ,  
使使学  
效果好  
; ; ; ;  
支持机  
文献标识码  
中图分类号  
751  
ꢀꢀ  
788 O 0182612 3099  
ꢀꢀ  
Scenascaenin s  
ꢀ ꢀ ꢀ ꢀ  
basescaeatureion  
ꢀ ꢀ ꢀ ꢀ  
YANhou  on hu an i  
y g  
De  n oioneerin ckercneerin  
, ’ ,  
iver10025 ina  
rrendin author lb015 16m  
tract olvccurac roblenin cenascal  
yp ꢀ  
ꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
es ascaod w seasescalature FF .  
ꢀ  
p p ꢀ ꢀ  
rst thenin icalebteveraferencale  
ꢀ ꢀ -  
ꢀ ꢀ  
enin i.Tereater the n utent onvluurark C  
ꢀꢀ -  
NN onvluran anferencaleatureonvlul  
ꢀ ꢀ  
conneteeduceodeverina thferencaleaturere  
ꢀ ꢀ  
p  
codeused anern orectochinseasf thcenewo  
ꢀꢀ ꢀ ꢀ ꢀ ꢀ ꢀ  
enin iatetCM anU REC45 esasca  
ꢀ  
-  
ccurac o ivel e  
ꢀ ꢀ p  
ꢀ ꢀ ꢀ ꢀ  
featureferencaleesentaed thus  
ꢀ ꢀ p  
thioeaturec.Frthere thern orectochine  
ꢀ ꢀ ꢀ ꢀ ꢀꢀ ꢀ p  
修订日期  
201.  
收稿日期  
2013  
- -  
ꢀꢀ  
基金项目 助项目  
);  
助项目  
No 1601475  
0155010  
ꢀꢀ  
光学 精密工程  
26  
3100  
ꢀꢀꢀꢀꢀ  
ꢀꢀꢀꢀꢀ  
im rovehe enerazaioee neearnin ab ascafecte.  
g  
ꢀ ꢀ  
ꢀ ꢀ  
Ke wrds enin icenascan dee convlueurrk features  
ꢀ ꢀ  
fuion ernu orectochine  
p  
降维 然后进  
类  
引 言  
ꢀ ꢀ  
类方只是利用了尺  
随着能够获  
ꢀꢀ  
并没分利用像的和深网络层  
, ,  
分辨率像  
。 ,  
特征 因此 一种的基于  
、 ,  
中包含划  
———  
像 场 类 方 法  
因  
增加量的时  
FF  
同物类  
利用网络特征提  
带来大的挑战 类方被  
像场的精度  
0  
的研者提出  
图  
, 。 ,  
像的特征 类效果并不理想 中 比较  
于  
遥感像分  
FF  
[]  
法之一法  
种基  
特征许  
特征的分类方要  
ꢀꢀ  
多方词袋法的展  
: ,  
分为第一像的变换 即  
的学能  
多个尺  
6  
域  
其  
, ,  
增加像的体样有效决  
3  
用在中  
同样的  
像场二  
。 , ,  
过程分研究者  
网络层不特征表  
度学过程度的特征较  
, ,  
特征进行数  
6  
用  
力  
进行  
DCNN  
量的互  
像场数  
, ;  
特征用  
S  
据进行训练 而由含对复  
替  
网 络 出 层  
x  
VM  
进行类 提网络力  
的编码  
DCNN  
, ,  
使有单而人工  
一件场  
1  
DCNN  
献  
[ ] ,  
的  
27  
献  
中因接  
DCNN  
[ , ]  
利用特征分  
6  
要求输  
。 ,  
类正献  
[ ]  
的  
20  
度的献  
[ ]  
的  
25  
特征通过度的产生  
化  
特征 然后码  
种  
献  
[ ]  
利用变换方法  
24  
[ ]  
28  
) 、  
进行对比 法  
合  
) 、  
线码  
W  
进行多积  
网络训练分  
29  
向量法  
VLAD  
30  
[ ]  
31  
) 。  
LLC  
K  
法  
[ ]  
一种层  
25  
多核向量机  
2  
行平  
特征用  
VLAD  
[ ] ,  
利用度  
24  
献  
化和进  
网络进行的  
献  
[ ]  
积  
26  
性 大 向 量 机  
( )  
类  
M  
特征进行多固  
像的特征进行成分分析  
[ ]  
32  
可以提  
x  
代替  
网络出层  
DCNN  

全部评论(0)

暂无评论

上传资源 上传优质资源有赏金

  • 打赏
  • 30日榜单

推荐下载