高分辨率光学遥感场景分类的深度度量学习方法

论文摘要

针对高分辨率光学遥感影像场景具有同类型内部差异大、不同类型间相似度高导致部分场景识别困难的问题,本文提出了一种深度度量学习方法。首先在深度学习模型的特征输出层上为每类预设聚类中心,其次基于欧氏距离方法设计均值中心度量损失项,最后联合交叉熵损失项以及权重与偏置正则项构成模型的损失函数。该方法的目标是在特征空间上使同类型特征聚集并扩大类型间的距离以提高分类准确率。试验结果表明,本文方法有效地提升了分类准确率。在RSSCN7、UC Merced和NWPU-RESISC45数据集上,与现有方法相比,分类准确率分别提高了1.46%、1.09%和2.51%。

论文目录

• 1 相关工作
• 2 深度度量学习方法
•   1.1 模型概述
•   1.2 均值中心度量模型
•   1.3 模型优化
• 3 试验结果与分析
•   3.1 数据集
•   3.2 评价指标
•   3.3 试验参数与环境
•   3.4 数据集试验
•     3.4.1 RSSCN7数据集试验
•     3.4.2 UC Merced数据集试验
•     3.4.3 NWPU-RESISC45数据集试验
•   3.5 结果讨论
• 4 总 结

文章来源

类型: 期刊论文

作者: 叶利华,王磊,张文文,李永刚,王赠凯

关键词: 深度学习,度量学习,均值中心度量损失,遥感影像,场景分类

来源: 测绘学报 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: 同济大学电子与信息工程学院,嘉兴学院数理与信息工程学院

基金: 国家重点研发计划(2017YFE0100900),浙江省自然科学基金(LY19F020017,LY18F020021)~~

分类号: TP751;TP18

页码: 698-707

总页数: 10

文件大小: 3850K

下载量: 577