基于多尺度特征融合的遥感图像场景分类

被引：31

作者：

杨州

慕晓冬

王舒洋

马晨晖

机构：

[1] 火箭军工程大学信息工程系

来源：

光学精密工程 | 2018年 / 12期

关键词：

遥感图像; 场景分类; 深度卷积神经网络; 特征融合; 多核支持向量机;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

摘要：

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。

引用

页码：3099 / 3107

页数：9

共 11 条

[1] 利用多尺度特征与深度网络对遥感影像进行场景分类
许夙晖
慕晓冬
赵鹏
马骥
[J]. 测绘学报, 2016, (07) : 834 - 840
[2] 基于K型核函数的支持向量机
孙翠娟
[J]. 淮海工学院学报(自然科学版), 2006, (04) : 4 - 7
[3] Scene classification using multi-scale deeply described visual words
Zhao, Wenzhi
Du, Shihong
[J]. INTERNATIONAL JOURNAL OF REMOTE SENSING, 2016, 37 (17) : 4119 - 4131
[4] Using convolutional features and a sparse autoencoder for land-use scene classification
Othmana, Esam
Bazi, Yakoub
Alajlan, Naif
Alhichri, Haikel
Melgani, Farid
[J]. INTERNATIONAL JOURNAL OF REMOTE SENSING, 2016, 37 (10) : 2149 - 2167
[5] Automatic landslide detection from remote-sensing imagery using a scene classification method based on BoVW and pLSA
Cheng, Gong
Guo, Lei
Zhao, Tianyun
Han, Junwei
Li, Huihui
Fang, Jun
[J]. INTERNATIONAL JOURNAL OF REMOTE SENSING, 2013, 34 (01) : 45 - 59
[6] Multiple-kernel SVM based multiple-task oriented data mining system for gene expression data analysis
Chen, Zhenyu
Li, Jianping
Wei, Liwei
Xu, Weixuan
Shi, Yong
[J]. EXPERT SYSTEMS WITH APPLICATIONS, 2011, 38 (10) : 12151 - 12159
[7] I ntegrating Multilayer Features of Convolutional Neural Networks for Remote Sensing Scene Classification .2 Li E,Xia J,Du P,et al. IEEE Transactions on Geoscience and Remote Sensing . 2017
[8] Scene Classification via a Gradient Boosting Random Convolutional Network Framework .2 ZHANG F,DU B,ZHANG L. IEEE Transactions on Geoscience and Remote Sensing . 2016
[9] Dirichletderived multiple topic scene classification model fusing heterogeneous features for high spatial resolution remote sensing imagery .2 ZHAO B,ZHONG Y,XIA G S,et al. IEEE Trans.Geosci.Remote Sens . 2016
[10] Caffe:Convolutional architecture for fast feature embedding .2 Jia Y,Shelhamer E,Donahue J.et al. Proceedings of the 22nd ACM international conference on Multimedia . 2014

← 1 2 →