典型文献
深度学习农作物分类的弱样本适用性
文献摘要：
基于大数据驱动的深度学习挖掘图像数据的规律和层次已成为遥感影像解译的研究热点.海量标签样本是训练深度学习模型的前提条件,但成本昂贵的人工标记样本限制了深度学习技术在遥感领域的应用.本文提出了一种基于弱样本的深度学习模型农作物分类策略:以GF-1影像为数据源,将传统分类器SVM分类结果视为弱样本,训练深度卷积网络模型DCNN(Deep Convolutional Neural Networks),获取辽宁省水稻和玉米的空间分布,分析弱样本的适用性.结果显示:测试集总体精度达到0.90,水稻和玉米F1分数分别为0.81和0.90;在不同地形地貌、复杂种植结构的农业景观下均表现出良好的分类效果;与SVM结果的空间一致性为0.90;当弱样本最大面积误差比例小于0.36时,弱样本仍适用于DCNN作物分类,结果的总体精度保持在0.86以上.综上,该策略一定程度上消除了深度学习模型对大量人工标记样本高度依赖的局限性,为实现大尺度农作物遥感分类提供了一种新途径.
文献关键词：
弱样本;卷积神经网络模型;深度学习;GF-1影像;农作物遥感分类
中图分类号：
作者姓名：
许晴;张锦水;张凤;盖爽;杨志;段雅鸣
作者机构：
北京师范大学遥感科学国家重点实验室,北京100875;北京师范大学地理科学学部北京市陆表遥感数据产品工程技术研究中心,北京100875;北京师范大学地理科学学部遥感科学与工程研究院,北京100875
文献出处：
引用格式：
[1]许晴;张锦水;张凤;盖爽;杨志;段雅鸣-.深度学习农作物分类的弱样本适用性)[J].遥感学报,2022(07):1395-1409
A类：
B类：
农作物分类,弱样本,大数据驱动,图像数据,遥感影像解译,深度学习模型,前提条件,昂贵,人工标记,标记样本,深度学习技术,分类策略,GF,数据源,分类器,深度卷积网络,DCNN,Deep,Convolutional,Neural,Networks,水稻,测试集,总体精度,不同地形,地形地貌,杂种,种植结构,农业景观,分类效果,空间一致性,面积误差,上消,大尺度,农作物遥感分类,卷积神经网络模型
AB值：
0.329635
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。
