基于面向对象与深度学习的典型地物提取

被引：25

作者：

金永涛 ^{[1
,2
]}

杨秀峰 ^{[1
,2
]}

高涛 ^{[3
]}

郭会敏 ^{[3
]}

刘世盟 ^{[1
]}

机构：

[1] 北华航天工业学院

[2] 河北省航天遥感信息处理与应用协同创新中心

[3] 航天恒星科技有限公司

来源：

国土资源遥感 | 2018年 / 30卷 / 01期

关键词：

面向对象; 深度学习; 卷积神经网络; 目标识别;

D O I：

暂无

中图分类号：

TP751 [图像处理方法];

学科分类号：

摘要：

针对遥感图像地物分割问题面向对象方法可以将不同地物分割到不同的对象之中,在很大程度上解决了农作物、林地、水体、道路、建筑物等典型地物的混分问题,但面向对象方法对于形状、纹理等特征描述仍不够全面,信息量还不足以支撑完整的地物分类、识别。提出一种将面向对象与深度学习相结合的新方法,选用卷积神经网络Caffe框架,对训练样本数据进行深度学习,掌握不同对象的纹理等特性,形成深度学习模型,反过来指导对象分类。实验表明,新方法可以有效解决典型地物分不准的问题。

引用

页码：22 / 29

页数：8

共 12 条

[1] 面向对象土地利用信息提取的多尺度分割
王卫红
何敏
[J]. 测绘科学, 2011, (04) : 160 - 161
[2] 一种面向对象分类的特征分析方法
郑毅
武法东
刘艳芳
[J]. 地理与地理信息科学 , 2010, (02) : 19 - 22+114
[3] 基于对象级的高分辨率遥感影像分类研究
曹雪
柯长青
[J]. 遥感信息, 2006, (05) : 27 - 30+51+73
[4] 高分辨率影像解译理论与应用方法中的一些研究问题
宫鹏
黎夏
徐冰
[J]. 遥感学报, 2006, (01) : 1 - 5
[5] 面向对象影像分析中的尺度问题研究[D]. 黄慧萍.中国科学院研究生院（遥感应用研究所） 2003
[6] 遥感应用分析原理与方法[M]. 科学出版社 , 赵英时等编著, 2003
[7] Learning Hierarchical Features for Scene Labeling
Farabet, Clement
Couprie, Camille
Najman, Laurent
LeCun, Yann
[J]. IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE, 2013, 35 (08) : 1915 - 1929
[8] Sparse deep-learning algorithm for recognition and categorisation
Charalampous, K.
Kostavelis, I.
Amanatiadis, A.
Gasteratos, A.
[J]. ELECTRONICS LETTERS, 2012, 48 (20) : 1259 - +
[9] Quality assessment for geo-spatial objects derived from remotely sensed data
Zhan, QM
Molenaar, M
Tempfli, K
Shi, WZ
[J]. INTERNATIONAL JOURNAL OF REMOTE SENSING, 2005, 26 (14) : 2953 - 2974
[10] Sparse coding with an overcomplete basis set: A strategy employed by V1?[J] . Bruno A. Olshausen,David J. Field.Vision Research . 1997 (23)

← 1 2 →