典型文献
采用全卷积神经网络与多波段遥感图像结合的湿地分类方法
文献摘要：
针对目前湿地分类方法精确度不足问题,采用全卷积神经网络(Fully Convolutional Neural,FCN)结合Landsat8 OLI多波段遥感图像对湿地图像进行特征点提取,并采用4组RGB数据结合的方式对图像特征点进行进一步的校验与选取,提高分类精度,然后利用改进支持向量机(Support Vector Machine,SVM)对所提取的特征点进行判别与分类.实验结果表明采用该实验方法能够较为精确而高效地提取湿地信息,总体分类精度为94.97％,Kappa系数为0.94,与采用全卷积神经网络和随机森林、BP(Back propagation,BP)人工神经网络、Stacking集成算法结合的湿地分类方法在总体精度各个提高了11.68％、11.26％与9.95％,该方法与单一的全卷积神经网络(RefineNet、SegNet、UNet)相比,对湿地图像的提取总体分类精度较高,该方法兼具能够提取特征,训练参数较少适用于样本数量少的多维土地覆盖类型数据分类,对湿地生态环境的保护与治理具有一定的指导意义.
文献关键词：
湿地;分类;全卷积神经网络;多波段遥感分析;支持向量机
中图分类号：
作者姓名：
龚瑞昆;刘昊晟;张仲;陈旭东
作者机构：
华北理工大学电气工程学院,河北 唐山 063210;河北省安装工程有限公司第二分公司,河北 唐山 063000
文献出处：
引用格式：
[1]龚瑞昆;刘昊晟;张仲;陈旭东-.采用全卷积神经网络与多波段遥感图像结合的湿地分类方法)[J].华北理工大学学报（自然科学版）,2022(04):26-34
A类：
多波段遥感分析
B类：
全卷积神经网络,遥感图像,湿地分类,分类方法,不足问题,Fully,Convolutional,Neural,FCN,Landsat8,OLI,特征点提取,RGB,数据结,图像特征点,校验,分类精度,改进支持向量机,Support,Vector,Machine,实验方法,Kappa,Back,propagation,人工神经网络,Stacking,集成算法,总体精度,RefineNet,SegNet,UNet,提取特征,样本数量,土地覆盖类型,数据分类,湿地生态环境,保护与治理
AB值：
0.340641
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
