武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法

Posted 珞瑜129

tags:

篇首语:本文由小常识网(cha138.com)小编为大家整理,主要介绍了武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法相关的知识,希望对你有一定的参考价值。

     基于对象的图像分类(OBIC)已经成为超高分辨率遥感影像土地利用的主流框架。OBIC可以利用高分辨率遥感影像中的纹理、空间几何信息,与基于像素的图像分类(PBIC)框架相比,在一定程度上克服了“椒盐”现象。

     OBIC框架通常包括图像预处理,图像分割,特征提取和监督分类等过程。大多数分类方法都是处理从超像素(分割图像对象)提取的手工特征,包括光谱特征,空间特征,纹理特征等。然而,这些无监督的一维特征是从二维数据中提取出来的,导致了对象信息的丢失和泛化的困难。 而且,在这种情况下,一维特征容易变得冗余,难以达到更好的分类效果。

     为了更加有效地提取分割对象的二维深度特征,克服传统的面向对象高分辨率遥感影像分类方法的不足,武汉大学CVEO小组提出了基于卷积神经网络(CNN)的高分辨率遥感影像分类方法,目前该论文已被Remote Sensing Letters(SCI)期刊接收!本论文将卷积神经网络(CNN)与OBIC框架结合起来对遥感影像进行分类,所做工作如下:

1

首先将卷积神经网络(CNN)引入到OBIC框架中,直接从超像素的原始图像块中提取二维深度特征;

2

提出了两种掩模对超像素进行预处理;

3

设计了两种CNN模型(SiCNNs and DiCNNs)对超像素数据和掩模数据同时进行处理。

    实验结果表明:所提出的模型比其他模型和传统的OBIC框架在不同的数据集中均能获得更好的效果,总体精度(OA)最高可提高11.63%。部分结果如下:

前两行为传统方法分类结果,最后一行为本文所提出模型的分类结果

武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法

珞瑜129

    珞瑜129是测绘、空间信息行业人才、技术、资本和资源交流的专业线下平台;目的是汇聚业界精英,凝聚行业力量,建立跨界合作渠道。珞瑜129真诚为您提供以下服务:

1

行业重要信息、前沿思想交流

2

人才培训、招聘、猎头、评价、职业跟踪

3

技术交流、技术推广、技术成果转化

4

产品发布与推广

5

前沿技术讲座

6

商务会谈

7

棋牌

8

茶艺

武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法

     珞瑜129对武汉测绘科技大学、武汉大学校友免费开放,在这里您既可以体会到学术的浓厚氛围,又可以在推杯换盏之间感受中华茶文化的博大精深!

武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法

武汉大学正门中科开物大厦21楼2103

武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法
武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法

15717171852

珞瑜129战略合作伙伴

1

湖北富瑞尔科技有限公司

2

湖北思倍人力资源有限公司

@珞瑜129

前沿资讯 | 学术分享 | 干货

- luoyu_129 -

以上是关于武汉大学CVEO小组:一种基于卷积神经网络(CNN)的高分辨率遥感影像分类方法的主要内容,如果未能解决你的问题,请参考以下文章

CNN回归预测基于matlab卷积神经网络CNN数据回归预测含Matlab源码 2003期

CNN回归预测基于matlab卷积神经网络CNN数据回归预测含Matlab源码 2003期

时间序列预测基于matlab CNN优化LSTM时间序列预测含Matlab源码 2003期

时间序列预测基于matlab CNN优化LSTM时间序列预测含Matlab源码 2003期

基础详解手磕实现 CNN卷积神经网络!

台湾大学李宏毅:图解卷积神经网络CNN