典型文献
基于改进Unet++的丘陵地区耕地地块深度分割与提取
文献摘要：
丘陵地区耕地地块具有结构复杂、种植类型多样且破碎度高等特点,针对传统分类方法对耕地信息难以快速准确提取的问题,文章基于"高分一号"卫星影像和Unet++网络模型,采用余弦退火学习率实现了复杂丘陵地区耕地信息的准确深度分割和分类.首先利用多尺度分割方法完成了深度迁移学习模型中典型区域耕地样本标签的制作及其结果验证;其次,采用规则格网裁切方法构建影像和标签训练数据集,在PyTorch环境完成了模型的训练;最后,将改进后模型与Unet和SVM方法进行了分类精度和泛化性能的对比分析.结果表明:改进的Unet++网络模型在复杂丘陵地区耕地提取结果的总体精度为92.75％,比SVM和Unet的提取精度分别提高了 9.06％和2.50％.因此,基于Unet++的深度学习模型不仅能够有效抑制复杂的背景噪声,还能从遥感影像中学习到更强的语义特征,从而获得更加准确的耕地信息.该方法可为农作物面积监测和产量估算等实际应用提供基础数据支持.
文献关键词：
丘陵耕地;多尺度分割;Unet++;迁移学习;遥感影像
中图分类号：
作者姓名：
张海天;高懋芳;任超
作者机构：
桂林理工大学测绘地理信息学院,桂林541006;中国农业科学院农业资源与农业区划研究所,北京100081
文献出处：
引用格式：
[1]张海天;高懋芳;任超-.基于改进Unet++的丘陵地区耕地地块深度分割与提取)[J].航天返回与遥感,2022(04):36-45
A类：
丘陵耕地
B类：
Unet++,丘陵地区,耕地地块,种植类型,破碎度,分类方法,快速准确,高分一号,卫星影像,余弦退火,学习率,多尺度分割,分割方法,深度迁移学习,典型区域,样本标签,格网,裁切,训练数据集,PyTorch,分类精度,泛化性能,耕地提取,总体精度,深度学习模型,背景噪声,遥感影像,语义特征,产量估算
AB值：
0.343696
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。
