典型文献
一种基于深度传递迁移学习的遥感影像分类方法
文献摘要：
面对实际的遥感影像分类任务,采用深度神经网络的方法存在的最大问题是缺乏充足的标注样本,如何使用较少的标注样本实现较高精度的遥感影像分类,是目前需要解决的问题.ImageNet作为世界上最大的图像识别数据集,在其上训练出的模型有着丰富的底层特征.对ImageNet预训练模型进行微调是最常见的迁移学习方法,能够一定程度利用其丰富的底层特征,提高分类精度.但ImageNet影像特征与遥感影像差距较大,对分类效果提升有限.为了解决上述问题,本文基于传递迁移学习思想,结合深度神经网络,提出一种基于深度传递迁移学习的遥感影像分类方法.该方法通过构建以开源遥感场景识别数据集为源域的中间域,并以ImageNet预训练权重为源域、待分类遥感影像为目标域进行迁移学习,提高遥感影像分类精度.首先,以ImageNet预训练VGG16网络为基础,为加速卷积层权重更新而将全连接层替换为全局平均池化层,构建GAP-VGG16,使用中间域数据集训练ImageNet预训练GAP-VGG16以获取权重;然后,以SegNet网络为基础,在SegNet中加入卷积层设计了T-SegNet,以对获取的权重进一步地提取.最后,将获取的权重迁移到T-SegNet中,使用目标域数据集训练,实现遥感影像分类.本文选取Aerial Image Dataset和UC Merced Land-Use DataSet作为中间域数据集的数据源,资源三号盘锦地区影像为目标域影像,并分别选取了50％和25％数量的训练样本进行实验.实验结果表明,在50％和25％数量的训练样本下,本文方法分类结果相比SegNet的Kappa系数分别提高了 0.0459和0.0545,相比ImageNet预训练SegNet的Kappa系数分别提高了 0.0377和0.0346,且在样本数较少的类别上,本文方法分类精度提升更明显.
文献关键词：
遥感影像分类;深度神经网络;迁移学习;VGG16;SegNet;传递迁移学习;资源三号影像;全局平均池化
中图分类号：
作者姓名：
林禹;赵泉华;李玉
作者机构：
辽宁工程技术大学测绘与地理科学学院,阜新123000
文献出处：
引用格式：
[1]林禹;赵泉华;李玉-.一种基于深度传递迁移学习的遥感影像分类方法)[J].地球信息科学学报,2022(03):495-507
A类：
资源三号影像
B类：
传递迁移学习,遥感影像分类,分类方法,分类任务,深度神经网络,ImageNet,图像识别,别数,练出,底层特征,预训练模型,微调,迁移学习方法,分类精度,影像特征,像差,分类效果,效果提升,学习思想,开源,场景识别,集为,源域,重为,目标域,VGG16,卷积层,权重更新,全连接层,层替换,全局平均池化层,GAP,集训,SegNet,重迁,Aerial,Dataset,UC,Merced,Land,Use,DataSet,数据源,盘锦地区,训练样本,方法分类,Kappa,精度提升
AB值：
0.288413
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。
