基于深度学习遥感目标分类研究

高分辨率遥感图像可以获得地面场景物体的纹理以及丰富的光谱信息,因此使用高分辨率遥感卫星数据对数据进行更加高效的特征提取,获得比以往应用更加精确的结果是当前学者研究的热点(刘宣江,基于神经网络的遥感影像识别:北京邮电大学,2007)。基于遥感影像的地物信息提取方法种类众多,且不断发展改进,然而通过高分遥感影像对地物信息提取却并不理想(方旭,杨化超,刘慧杰,等,结合均值漂移分割与全卷积神经网络的高分辨遥感影像分类:激光与光电子学进展,2018,55(2))。经过长久的实验研究发现,传统遥感分类方法存在一定的不足(陈睿敏,孙胜利,基于深度学习的红外遥感信息自动提取:红外,2017,38(8):39-45),通过已知或未知经验为依托增加了地物分类结果的误差性(刘大伟,韩玲,韩晓勇,基于深度学习的高分辨率遥感影像分类研究:光学学报,2016,36;No.409(4):306-314)。