卷积神经网络迁移的高分影像场景分类学习

论文摘要

针对基于人工提取特征的传统分类方法无法有效表达高空间分辨率遥感影像高层语义信息,且需要大量高质量训练数据,而带标签样本数据匮乏的问题。迁移学习运用已有知识对不同但相关领域问题进行求解,可有效解决目标领域中仅有少量标签样本数据的学习问题。该文提出利用迁移学习,基于卷积神经网络的深度学习模型进行高分影像场景分类。首先,基于ImageNet预训练的卷积神经网络Inception-v3模型提取高分影像数据的特征向量;然后,将特征向量作为输入数据训练一个新的单层全连接神经网络,经少量带标签影像场景数据训练后得到最终分类结果。该方法在UC Merced、AID和Wuhan 7类场景影像数据集上分别取得99%、93.3%和96.6%的准确率,相比已有方法,有效提高高分影像场景分类精度,同时说明知识迁移在高分影像场景分类领域的可行性。

论文目录

• 0 引言
• 1 原理与方法
•   1.1 卷积神经网络
•   1.2 GoogleNet和Inception-v3模型
•   1.3 迁移学习
• 2 高分辨率遥感影像场景分类实验
•   2.1 实验数据集
•   2.2 实验与结果分析
•     2.2.1 特征提取模型对知识迁移的影响
•     2.2.2 本文方法在遥感影像数据集上实验结果
• 3 结束语

文章来源

类型: 期刊论文

作者: 李冠东,张春菊,王铭恺,张雪英,高飞

关键词: 迁移学习,卷积神经网络,高分辨率遥感影像,场景分类

来源: 测绘科学 2019年04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: 合肥工业大学土木与水利工程学院,南京师范大学虚拟地理环境教育部重点实验室

基金: 国家自然科学基金项目(41401451,41671393,41671456)

分类号: TP751;TP183

DOI: 10.16251/j.cnki.1009-2307.2019.04.018

页码: 116-123+174

总页数: 9

文件大小: 1767K

下载量: 1086