深度学习GoogleNet模型支持下的中分辨率遥感影像自动分类

论文摘要

提出了一种基于深度学习技术的遥感分类方法,它能有效解决中分辨率影像在分类过程中出现的像元混分问题。研究选用2016年5月12日武汉市Landsat 7 ETM+遥感影像,基于GoogleNet模型中的Inception V3网络结构,借助迁移学习方法,构建出遥感分类模型,实现了对武汉市主城区4类典型地物（不透水层、植被、水体和其他用地）的自动分类提取,并将分类结果与传统最大似然分类（ML）结果进行了对比分析。研究表明:基于深度学习方法的遥感影像总体分类精度高达88.33%,Kappa系数为0.834 2,明显优于传统ML方法总体分类精度83%和Kappa系数0.755 0,而且有效抑制了地物在分类过程中出现的像元混分现象。

论文目录

• 1 数据来源和研究方法
•   1.1 研究区概况
•   1.2 数据来源和数据预处理
•   1.3 样本数据集的建立
•   1.4 研究方法
• 2 深度学习分类模型构建及地物分类
•   2.1 GoogleNet深度卷积神经网络
•   2.2 迁移学习构建分类模型
•   2.3 深度学习地物自动分类
• 3 结果与分析
•   3.1 地物分类结果对比
•   3.2 精度验证和评价
• 4 结论与讨论

文章来源

类型: 期刊论文

作者: 陈斌,王宏志,徐新良,王首泰,张亚庆

关键词: 空间分辨率,深度学习,遥感分类

来源: 测绘通报 2019年06期

年度: 2019

分类: 基础科学,工程科技Ⅱ辑,信息科技

专业: 工业通用技术及设备,自动化技术

单位: 华中师范大学城市与环境科学学院地理过程分析与模拟湖北省重点实验室,中国科学院地理科学与资源研究所资源与环境信息系统国家重点实验室

基金: 中国科学院A类战略性先导科技专项(XDA20010302),华中师范大学研究生教育创新资助项目(2018CXZZ001)

分类号: TP751;TP18

DOI: 10.13474/j.cnki.11-2246.2019.0179

页码: 29-33+40

总页数: 6

文件大小: 1160K

下载量: 768