论文摘要
随着遥感图像采集技术的迅速发展,传统的遥感图像处理方法已经不能满足当前实际的生产需要。近年来,深度学习模型的流行为遥感图像分类问题的解决提供了新的途径。因此,为了进一步提升遥感图像的分类精度,笔者提出了一种基于深度学习特征和支持向量机（support vector machine,SVM）的遥感图像分类模型。首先,针对深度学习模型需要海量训练数据的特点,运用旋转、剪裁等方法对原始的遥感图像进行数据扩增;然后,将扩增数据按照种类随机地分为训练集和验证集两部分测试集,并使用训练集和验证集训练改进的针对遥感图像分类问题的卷积神经网络（convolutional neural network,CNN）中的参数,进而在训练好的CNN模型上提取第一部分测试集的深度学习特征;最后,使用第一部分测试集的深度特征训练多分类SVM,并对第二部分测试集图像进行分类验证。实验采用NWPU-RESISC45公共数据集对本研究模型精度进行验证,与现有的遥感图像分类方法相比较,实验结果表明,提出模型的总体分类精度有明显提升,从而验证了方法的有效性和实用性。
论文目录
文章来源
类型: 期刊论文
作者: 业巧林,许等平,张冬
关键词: 深度学习,遥感图像分类,支持向量机,卷积神经网络,分类精度
来源: 林业工程学报 2019年02期
年度: 2019
分类: 农业科技,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: 南京林业大学信息科学技术学院,国家林业局调查规划设计院
基金: 国家自然科学基金(61871444),江苏省自然科学基金(BK20171453)
分类号: TP751;TP18
DOI: 10.13360/j.issn.2096-1359.2019.02.019
页码: 119-125
总页数: 7
文件大小: 3566K
下载量: 1309