典型文献
深度卷积神经网络的遥感植被检测方法
文献摘要：
[目的]植被检测是城市生态研究的重要手段,然而由于遥感图像中植被存在阴影区域、遮挡区域以及色彩上的畸变等,导致当前的植被检测精度较低.基于遥感卫星影像,采用深度学习技术快速有效地检测出城市中的植被区域,为植被资源统计等相关研究提供依据.[方法]选用深度卷积神经网络模型,对高分辨率遥感影像中的植被区域进行检测.对不同的优化器,通过设置不同的卷积核大小,对精度进行对比分析.最后对网络层数进行研究,对设置合适网络层数进行分析,用构造的深度卷积神经网络在实验数据上进行植被区域检测.[结果]利用卷积神经网络处理二维图像时,无需手动提取特征,进行简单少量的预处理后,直接把图像输入到CNN模型中进行训练,即可实现图片的识别分类功能.降低了预处理的难度,同时局部感知和权值共享大幅度地减少了参数量,加快了计算速度.次抽样还能保证图像处理后的平移、旋转、缩放和拉伸的不变性.解决了传统方法计算量和样本量大、结构复杂以及费时的缺点.在采集到的高分辨率紫金山区域的遥感图像中,通过设计的多层卷积神经网络模型对区域中的植被资源进行分析,对比和研究不同的优化器、卷积核和网络层数,植被检测精度达到95.4％,明显高于当前众多植被检测算法.[结论]在深度学习中,目标检测的精度依赖于网络的结构设置,通过对优化器、卷积核以及网络层数进行设定,可以明显提高目标检测效率和精度.
文献关键词：
植被检测;深度学习;卷积网络结构;图像分类
中图分类号：
作者姓名：
徐姗姗;吕净妍;陈芳媛
作者机构：
南京林业大学信息科学技术学院,江苏 南京 210037;哈尔滨理工大学机械动力工程学院,黑龙江 哈尔滨 150006
文献出处：
引用格式：
[1]徐姗姗;吕净妍;陈芳媛-.深度卷积神经网络的遥感植被检测方法)[J].南京林业大学学报（自然科学版）,2022(04):185-193
A类：
植被检测
B类：
深度卷积神经网络,城市生态,遥感图像,阴影,影区,遮挡,畸变,检测精度,遥感卫星,卫星影像,深度学习技术,快速有效,出城,植被区域,卷积神经网络模型,高分辨率遥感影像,优化器,卷积核,网络层,层数,区域检测,二维图像,提取特征,识别分类,时局,局部感知,权值共享,参数量,计算速度,平移,缩放,不变性,计算量,样本量,费时,紫金山,金山区,多层卷积神经网络,检测算法,目标检测,检测效率,卷积网络结构,图像分类
AB值：
0.298143
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。
