典型文献
基于改进U-Net的高光谱农林植被分类方法
文献摘要：
针对高光谱图像中的"同谱异物"和"同物异谱"现象导致传统机器学习方法难以精确区分,以及深度学习模型处理高维遥感数据耗时较长的问题,本文以河北省雄安新区雄县雄州镇马蹄湾村19种土地覆被类型(农林植被为主)为研究对象,提出一种基于改进U-Net的高光谱农林植被分类方法.该方法以U-Net为基础框架,首先利用主成分分析(Principal Component Analysis,PCA)提取主要光谱波段,降低光谱冗余度;然后提出特征提取模块,该模块使用深度可分离卷积替代U-Net中的传统卷积,提取高光谱图像多尺度特征,降低网络复杂度,并采用非线性更好的h-swish(hard-swish)激活函数提升网络的泛化性能;最后在每个特征提取模块中引入残差连接提取深层次语义信息.结果表明,改进的U-Net对19种覆被分类的整体精度为96.68％,与Mobile-UNet、U-Net、Res-UNet相比,精度分别提高了4.47％、2.92％、0.45％,训练时间较分类精度相近的Res-UNet减少了23.5％.由此可知,残差连接提升了网络分类精度,使模型在描述植被边缘和细节方面表现良好;深度可分离卷积使模型轻量化,减小训练时间;改进的U-Net模型能够准确、快速地对研究区的农林植被进行区分.
文献关键词：
高光谱;植被区分;U-Net;深度可分离卷积;残差连接;模型轻量化
中图分类号：
作者姓名：
王克奇;彭熙雯;张怡卓;罗泽;蒋大鹏
作者机构：
东北林业大学 机电工程学院,哈尔滨150040
文献出处：
引用格式：
[1]王克奇;彭熙雯;张怡卓;罗泽;蒋大鹏-.基于改进U-Net的高光谱农林植被分类方法)[J].森林工程,2022(01):58-66
A类：
雄州镇
B类：
农林,植被分类方法,高光谱图像,异物,机器学习方法,深度学习模型,模型处理,高维,遥感数据,雄安新区,雄县,马蹄,土地覆被类型,基础框架,Principal,Component,Analysis,波段,低光,冗余度,取模,使用深度,深度可分离卷积,多尺度特征,swish,hard,激活函数,函数提升,泛化性能,残差连接,语义信息,整体精度,Mobile,UNet,Res,训练时间,分类精度,由此可知,模型轻量化,植被区分
AB值：
0.309176
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。
