典型文献
土地利用/覆被深度学习遥感分类研究综述
文献摘要：
基于遥感分类实现高精度的土地利用和土地覆被制图是研究热点问题.近年来,以卷积神经网络为代表的深度学习在计算机视觉领域取得了长足发展,同时也被引入到土地利用/覆被遥感制图领域.相比于经典机器学习,深度学习的优势表现为能够自适应提取与分类任务最相关的特征,其缺陷表现为分类精度的提高依赖于海量标签样本.基于深度学习在土地利用/覆被分类中日益增多的研究成果,本文从样本、模型、算法3个角度对其研究进展进行综述.在样本方面,归纳总结了常用的土地利用/覆被样本集,并分析了上述样本集的学术影响力;在模型方面,综述了土地利用/覆被分类中常用的深度学习模型,包括卷积神经网络、循环神经网络、全卷积神经网络等的最新研究成果;在算法方面,综述了样本稀疏条件下的土地利用/覆被分类算法的最新研究进展,具体包括主动学习、半监督学习、弱监督学习、自监督学习、迁移学习等.最后从样本、模型、算法3个角度对未来研究方向进行展望,通过构建大规模遥感样本数据集、持续优化深度学习模型结构、提升样本稀疏条件下深度学习模型的时空泛化能力等研究,可以进一步改善土地利用/覆被分类效果和精度.
文献关键词：
深度学习;土地利用;土地覆被;遥感分类;样本-模型-算法
中图分类号：
作者姓名：
冯权泷;牛博文;朱德海;陈泊安;张超;杨建宇
作者机构：
中国农业大学土地科学与技术学院,北京100193;自然资源部农用地质量与监控重点实验室,北京100193
文献出处：
引用格式：
[1]冯权泷;牛博文;朱德海;陈泊安;张超;杨建宇-.土地利用/覆被深度学习遥感分类研究综述)[J].农业机械学报,2022(03):1-17
A类：
B类：
遥感分类,分类研究,土地覆被,计算机视觉,长足发展,遥感制图,自适应提取,分类任务,分类精度,样本集,学术影响力,深度学习模型,循环神经网络,全卷积神经网络,法方,分类算法,最新研究进展,主动学习,半监督学习,弱监督学习,自监督学习,迁移学习,未来研究方向,样本数据集,持续优化,模型结构,空泛化,泛化能力,分类效果
AB值：
0.280161
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。
